pytorch -- 张量相关方法

本文主要讲解ndimension()、nelement()、size() / shape、view() / reshape等与张量相关的方法

深度学习中，张量使用相当频繁，本篇文章主要讲解一些与张量有关的方法。萌新博主，还请各位大佬指导o(*￣▽￣*)ブ

读者如果要尝试本篇中的代码，请自行下载pytorch框架，并且引入torch和numpy包。

先生成示例张量 t （本文后续操作会在 t 张量之上进行）

#  张量相关方法demo
import torch
import numpy as np

# 创建一个3 x 4 x 5 的张量
t = torch.rand(3,4,5)

t 张量（随机生成，读者实验时可能与本文中的不一样）：

1.获取张量维度的数目 -- ndimension()

这里的3表示，这个 t 张量总共有3个维度，可以理解成x、y、z轴这种

比如此时，如果再生成一个2 x 3 的张量，则该张量维度的数目为 2

 

2.获取张量中总元素的个数 -- nelement()

 

3.获取张量的形状，和numpy数组中的shape差不多，所以，这里依然可以用shape进行形状的查看 -- size() / shape

使用size和shape的区别在于：

shape是访问的属性，size是调用的方法，所以，shape不用在后面加括号，而size需要加括号

同时我们也可以使用下标，对各个维度的大小进行访问（维度是从下标为0开始的）

，

4.重塑张量的形状 -- view() / reshape

对于使用过numpy数组的同学，一定熟悉reshape操作，我们可以通过reshape重塑numpy数组的形状

reshape（推荐使用）

当然，在pytorch框架中，我们依然可以使用，对于刚刚的张量 t ，它的形状是 3 x 4 x 5，总计有60个元素，如果我们想要它变成一个二维的张量，我们可以采用reshape方法

改变reshape后的张量，会改变原来的张量

同时，reshape会在形状信息不兼容时自动生成一个新的张量（兼容：新张量的2个连续维度的乘积等于原来张量的某一维度）

view

view不改变张量底层的数据，只改变维度步长的信息，如果要生成一个欣的张量，则还需调用contiguous()方法

我们可以理解为 reshape(x,y) = view(x,y).contiguous()