pytorch中view的使用小结

pytorch中的view类似于numpy中的resize和reshape，也就是说它的作用是重新组合tensor数据。

它的流程为：

1. 将原始tensor数据按行展开。比如[[[1,2,3],[4,5,6]]]，展开成一维向量之后就是[1,2,3,4,5,6]。
2. 然后按照参数组合成新的tensor(与原始tensor没有关联)。

理解一：

不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。举例如下：

import torch

a=torch.Tensor([[[1,2,3],[4,5,6]]])
b=torch.Tensor([1,2,3,4,5,6])

print(a.view(1,6))
print(b.view(1,6))

输出：

tensor([[1., 2., 3., 4., 5., 6.]])
tensor([[1., 2., 3., 4., 5., 6.]])

理解二：

对原始tensor进行view操作之后，它们共享内存，其中一个tensor改变，会造成另一个tensor改变。所以view只是改变给人看的数据排列形式。

import torch

x = [1,2,3,4,5,6]
a=torch.Tensor(x)

t = a.view(1, 6)

print(a)
print(t)

a[0] = 10 #修改a[0]的值
print(a)
print(t)#会造成a.view改变，所以t也跟着变化。

t[0][1] = 100 #修改t[0][1]的值
print(a)#会造成a的改变。
print(t)

print(t.storage().data_ptr() == a.storage().data_ptr()) #返回True，也就是共享内存

输出：

tensor([1., 2., 3., 4., 5., 6.])
tensor([[1., 2., 3., 4., 5., 6.]])
tensor([10.,  2.,  3.,  4.,  5.,  6.])
tensor([[10.,  2.,  3.,  4.,  5.,  6.]])
tensor([ 10., 100.,   3.,   4.,   5.,   6.])
tensor([[ 10., 100.,   3.,   4.,   5.,   6.]])
True

view的-1参数

view中的参数不能忽略，如果想要让程序自己推到，可以将参数设置为-1。

• 不能被推断的情况：

• 情况一：推断有歧义，比如说有6个数据，而设置view(-1,-1,-2)，那么就会造成歧义，因为-1的值可以是1和3。
• 情况二：view只能出现一个-1。即使人可以推断出来，也不能view的参数也不可以出现2个以上的-1。例如有6个数据，而view(-1，-1，6)，这种情况也是不被允许的。

代码举例：

import torch

a=torch.Tensor([[[1,2,3],[4,5,6]]])

print(a.view(-1,6))
print(a.view(-1,3))
print(a.view(-1,-1,6))#不能出现一个以上的-1推断

输出：

tensor([[1., 2., 3., 4., 5., 6.]])
tensor([[1., 2., 3.],
        [4., 5., 6.]])
Traceback (most recent call last):
  File "../pytorch/test/test.py", line 7, in <module>
    print(a.view(-1,-1,6))
RuntimeError: only one dimension can be inferred