[Pytorch踩坑]相同shape/size的Tesnor但是Stride不同；不同维度的Tesnor变换。

已于 2022-04-21 15:30:33 修改
阅读量1.2k 收藏
点赞数 1
文章标签： python pytorch
于 2022-04-21 15:28:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/electric_sheep/article/details/124322399
版权
本文讨论了在Pytorch中，从同一张量截取的大小相同但Stride不同的张量问题。当尝试使用View操作时遇到错误，通过官方文档推荐的方法解决了问题。然而，即使形状相同，截取的张量Stride仍与原始张量相同，导致视图操作出现 stride 不匹配。解决方案是使用特定的张量构造方法确保正确Stride。
摘要由CSDN通过智能技术生成

问题描述

从同一个Tensor中取出的俩个相同size的张量重新赋值后，使用View进行变换时候，其中一个出现
view size is not compatible with input tensor's size and stride (at least one dimension spans across two contiguous subspaces). Use reshape(...) instead.
提醒tensor的步长不同，使用

Tensor.reshape()

代替，其实这个确实可以解决问题，根据官方文档使用

Tensor.contiguous().view()

也同样可以解决，且之后的size与stride是相同的。
但是问题来了，为什么从同一个张量中取得的两个size相同的Tensor的stride却不同呢？

问题解决

tensor_org = torch.Tensor(1,3,4,4,6)
tensor3 = tensor_org[...<
最低0.47元/天 解锁文章
electric_sheep
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pytorch入门（二） 第3章 张量 tensor
happygirlyao的博客
03-08 1307
本章学习了 Pytorch 中 张量 tensor 的概念和相关操作
torch.as_strided()详解（总结）
qq_38752461的博客
10-04 1103
torch.as_strided()详解（总结）
PyTorch | tensor 的存储（storage、offset 和 stride）
m0_52650517的博客
08-06 1417
来源知乎：https://zhuanlan.zhihu.com/p/101434655
pytorch笔记（一）——tensor的storage()、stride()、storage_offset（）
Zoran的博客
12-06 1万+
目录1 storage()2 stride()3 storage_offset() 1 storage()   pytorch中的一个tensor分为头信息区（Tensor）和存储区（Storage）   信息区主要保存着tensor的形状（size）、步长（stride）、数据类型（type）等信息。   而真正的数据则保存成连续数组，存储在存储区。   一般一个tensor都会有相对应的Storage，但也有另一种情况时多个tensor都对应着相同的一个Storage，这几个tensor只是头信息区不同
Pytorch tensor在内存中的存储/存储空间的连续性(contiguous&channel last memory format&tensor.stride&storage&offset
hxxjxw的博客
04-16 3130
判断tensor的内存是否连续 x.is_contiguous() 转置操作会改变tensor的内存连续性. 还有permute(), transpose(), expand(), narrow()等 我们也许都知道，Python 为了节省内存，很多操作都是不会重新分配地址的，而是在原地址上进行，这一特性在我使用 numpy 的时候就深刻的感受到了，如果想确保分配一个新的地址，需要使用 copy 或者 clone 等操作。而 Pytorch 与 numpy 一脉相承 （这.....
pytorch - storage(), stride()
qq_40671063的博客
08-09 802
pytorch - storage(), stride()
9 卷积、padding,stride、多通道输入输出
qq_45654059的博客
08-18 383
卷积和互相关https://zhuanlan.zhihu.com/p/33194385 深度学习中的卷积运算实际上就是互相关运算 感受野 卷积的目的：我们可以通过更深的卷积神经网络使特征图中单个元素的感受野变得更加广阔，从而捕捉输入上更大尺寸的特征。 填充和步幅 填充是指在输入的高和宽方向两侧填充元素，通常是0，使高和宽增大。使输出高宽增加。 步幅是卷积核在高宽方向上以stride为每次移动的距离。使输出高宽减小。 填充和步幅默认高宽相同，可以给定列表分别设置 例如 stride = (2,3) 一般情况下
pytorch-tensor basic operation
zhulinspace
02-15 525
operation on tensor 本文涉及到的操作包括:基本创建操作，stack,cat,split,chunk,squeeze,unsqueeze,reshape,view…(待添加)，可以将以上操作简单分为 创建操作 cat,stack gather split,chunk squeeze,unsqueeze reshape ,view 创建tensor dtype,device可以...
PyTorch: tensor操作(一) contiguous
芒果干的博客
02-13 1926
本文目录tensor在内存中的存储contiguous tensor在内存中的存储 tensor在内存中的存储包含信息区和存储区 **信息区（Tensor）**包含tensor的形状size，步长stride，数据类型type等 **存储区（Storage）**包含存储的数据 contiguous contiguous 返回一个连续内存的tensor Returns a contiguous in memory tensor containing the same data as self tenso
python numpy 两种方法将相同shape的一维数组合并为二维数组
最新发布
weixin_45913084的博客
12-14 991
python numpy 两种方法将相同shape的一维数组合并为二维数组
DataStructuresAndAlgorithms
weixin_42118981的博客
09-23 294
1、稀疏数组 二维数组 转 稀疏数组的思路 遍历 原始的二维数组，得到有效数据的个数 sum 根据sum 就可以创建 稀疏数组 sparseArr int[sum + 1] [3] 将二维数组的有效数据数据存入到 稀疏数组 稀疏数组转原始的二维数组的思路 先读取稀疏数组的第一行，根据第一行的数据，创建原始的二维数组，比如上面的 chessArr2 = int [11][11] 在读取稀疏数组后几行的数据，并赋给 原始的二维数组 即可. package com.gk.sparsearra
成功解决RuntimeError: view size is not compatible with input tensor‘s size and stride...问题
weixin_61745097的博客
11-27 591
一步解决”RuntimeError: view size is not compatible with input tensor's size and stride (at least one dimension spans across two contiguous subspaces). Use .reshape(...) instead.“的报错问题
Pytorch-1.3 认识tensor【1】storage()和storage.offset()、shape和size()、stride()、t()和transpose()
weixin_42524838的博客
01-12 1375
tensor张量是指将向量和矩阵推广到任意维数的一种数据结构，它存储使用索引可以单独访问的数字集合，并且可以使用多个索引进行索引。Python中的列表或数字元组是在内存中单独分配的Python对象的集合；而PyTorch张量或NumPy数组是分配在连续的内存块中。本篇介绍了《deep learning with pytorch》书中第一章第三篇，主要介绍了以下内容：storage()和storage.offset()、shape和size()、stride()、t()和transpose(）。
Pytorch-学习记录 卷积操作——Tensor.size()
热门推荐
a132582的博客
11-28 4万+
设计网络结构、看网络结构源码时时常需要计算输入在结构中经过卷积层、pooling层后尺寸大小，特此记录。 pytorch中二维卷积层接口为 Conv2d() ，参数详情不多赘述，详情请参阅官方文档。我在此主要说明卷积层对输入计算之后size的变化情况。 例如， 卷积层的in_channels首先要与input的channels相对应，具体到上例，就是黑色和蓝色框所对应的部分。out_
Pytorch：stride步长
qimo601的专栏
01-18 4653
pytorch中的storage指的是连续的内存块，而tensor则是映射到storage的视图，他把单条的内存区域映射成了n维的空间视图。 size是tensor的维度，storage offset是数据在storage中的索引，stride是storage中对应于tensor的相邻维度间第一个索引的跨度。示例如下： 上图是一个storage，与它对应的tensor([[3.0, 1.0, 2.0], [4.0, 1.0, F]])如下图所示： 那么这里的stride=（3，1），因为从第一
PyTorch学习笔记(15) ——PyTorch中的contiguous
g11d111的博客
05-21 6837
本文转载自栩风在知乎上的文章《PyTorch中的contiguous》。我觉得很好，特此转载。 0. 前言 本文讲解了pytorch中contiguous的含义、定义、实现，以及contiguous存在的原因，非contiguous时的解决办法。并对比了numpy中的contiguous。 contiguous 本身是形容词，表示连续的，关于 contiguous，PyTorch 提供了is...
RuntimeError: view size is not compatible with input tensor‘s size and stride
Dezeming的博客
08-23 3万+
在运行程序中： def forward(self, x): out = self.cnn(x) out = out.view(out.size()[0], -1) return self.fc(out) python报错： RuntimeError: view size is not compatible with input tensor's size and stride (at least one dimension spans acr
PyTorch：tensor-基本操作
皮皮blog
10-28 5868
相同点：tensor.data和tensor.detach() 都是变量从图中分离，都是“原位操作 inplace operation”，都是变成require s_grad = False。不同点：（1）.data 是一个属性，.detach()是一个方法；（2）.data 是不安全的，.detach()是安全的。
Redis sorted set 类型操作及常用命令
添砖加瓦
04-06 656
七个原则 Redis 是一个操作数据结构的语言工具，它提供基于 TCP 的协议以操作丰富的数据结构。在 Redis 中，数据结构这个词的意义不仅表示在某种数据结构上的操作，更包括了结构本身及这些操作的时间空间复杂度。 Redis 定位于一个内存数据库，正是由于内存的快速访问特性，才使得 Redis 能够有如此高的性能，才使得 Re...
nn.MaxUnpool2d(kernel_size=5, stride=2, padding=2)的输入张量和输出张量大小的关系，请举例说明
04-30
nn.MaxUnpool2d(kernel_size=5, stride=2, padding=2)是一个反池化层，它的作用是将池化层的输出恢复成输入的大小和形状。它的输入张量的大小应该是经过了池化操作后的张量大小，输出张量的大小应该和池化操作前的输入张量大小相同。具体来说，假设输入张量的形状是$(N, C, H_{in}, W_{in})$，则经过MaxPool2d池化操作（kernel_size=2, stride=2）后，输出张量的形状是$(N, C, H_{out}, W_{out})$，其中$H_{out}=\lfloor\frac{H_{in}}{2}\rfloor$，$W_{out}=\lfloor\frac{W_{in}}{2}\rfloor$。然后再经过一个反池化层nn.MaxUnpool2d(kernel_size=5, stride=2, padding=2)后，输出张量的形状应该和输入张量的形状相同，即$(N, C, H_{in}, W_{in})$，例如： ```python import torch.nn as nn import torch # 输入张量形状为(N, C, H_in, W_in) x = torch.randn(2, 3, 6, 6) # 经过MaxPool2d池化操作，输出张量形状为(N, C, H_out, W_out) pool = nn.MaxPool2d(kernel_size=2, stride=2) y = pool(x) print(y.shape) # torch.Size([2, 3, 3, 3]) # 经过MaxUnpool2d反池化层，输出张量形状应该和输入张量形状相同 unpool = nn.MaxUnpool2d(kernel_size=5, stride=2, padding=2) z = unpool(y, indices=None, output_size=(6, 6)) print(z.shape) # torch.Size([2, 3, 6, 6]) ``` 上述代码中，输入张量的形状为$(2,3,6,6)$，经过MaxPool2d池化操作后，输出张量的形状为$(2,3,3,3)$，然后通过MaxUnpool2d反池化层，输出张量的形状应该和输入张量的形状相同，即$(2,3,6,6)$。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值