torch.view()详解及-1参数是什么意思

最新推荐文章于 2024-04-29 23:47:16 发布
最新推荐文章于 2024-04-29 23:47:16 发布
阅读量1.8k 收藏 2
点赞数 3
文章标签： pytorch 深度学习 机器学习
原文链接：https://www.cnblogs.com/MartinLwx/p/10543604.html
版权

经常可以看到调用torch.view(-1,28*28)之类的调用，那么这里的-1是什么意思呢，经过查看文档view()得到了一下结果：

  • view()返回的数据和传入的tensor一样，只是形状不同
  • -1在这里的意思是让电脑帮我们计算，比如下面的例子，总长度是20，我们不想自己算20/5=420/5=4，就可以在不想算的位置放上-1，电脑就会自己计算对应的数字，这个在实际搭建网络的时候是很好用的
  • 还要注意view()返回的tensor和传入的tensor共享内存，意思就是修改其中一个，数据都会变
 

import torch
a = torch.arange(0,20) #此时a的shape是(1,20)
a.view(4,5).shape #输出为(4,5)
a.view(-1,5).shape #输出为(4,5)
a.view(4,-1).shape #输出为(4,5)

                

        

        

    




    

      

        

            

              
                
                  JNash
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    3
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    2
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      










                



	

		

			

				
					
torch.cat()函数的官方解释，详解以及例子

				
			

			

				

					01-20
				

			

		

		

			
				
可以直接看最下面的例子，再回头看前面的解释，就很明白了。
在pytorch中，常见的拼接函数主要是两个，分别是：
stack()
cat()
一般torch.cat()是为了把函数torch.stack()得到tensor进行拼接而存在的。
区别参考链接torch.stack()，但是本文主要说cat()。
前言
和python中的内置函数cat()， 在使用和目的上，是没有区别的。
1. cat()官方解释
—-torch.cat(inputs, dim=0) → Tensor
函数目的： 在给定维度上对输入的张量序列seq 进行连接操作。
outputs = torch.cat(input

			
		

	



                

              
                



	

		

			

				
					
pytorch 中view函数用法

				
			

			

				

					AlanxZhang的博客
				

				

					10-07
					
					1870
					
				

			

		

		

			
				
在pytorch中view函数的作用为重构张量的维度，相当于numpy中resize（）的功能，但是用法可能不太一样。如下例所示


>>> import torch
>>> tt1=torch.tensor([-0.3623, -0.6115,  0.7283,  0.4699,  2.3261,  0.1599])
>>> result=tt1.view(3,2)
>>> result
tensor([[-0.3623, -0.61

			
		

	



                


  
              

                


	

		

			

				
					
张量中 X.view()操作

					
热门推荐

				
			

			

				

					简单记录生活、学习
				

				

					03-25
					
					2万+
					
				

			

		

		

			
				
Pytorch里面的X.view(-1)操作


import torch
a = torch.randn(3,5,2)
print(a)
print(a.view(-1))

运行结果：


tensor([[[-0.6887, 0.2203],
    [-1.6103, -0.7423],
    [ 0.3097, -2.9694],
    [ 1.2073, -0.3370],
    [-0.5506, 0.4753]],

    [[-1...

			
		

	





	

		

			

				
					
Pytorch view(-1)和permute的用法

				
			

			

				

					weixin_39559994的博客
				

				

					03-02
					
					5037
					
				

			

		

		

			
				
Pytorch view和permute的用法
目录Pytorch view和permute的用法一. view的用法二. permute的用法
一. view的用法
首先把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。
比如
import torch
import numpy as np

a =np.array([[1,2,3],[4,5,6]])
a = torch.tensor(a)
print(a.siz

			
		

	



		

			
		



	

		

			

				
					
torch.cat( )以及view(-1）的理解

				
			

			

				

					Christo的博客
				

				

					08-18
					
					1328
					
				

			

		

		

			
				
torch.cat()函数中最后一个参数如果是0则是则进行行拼接，如果是1则进行列拼接。
view(-1)即将一个张量进行展平
import torch
import numpy as np

a = torch.Tensor([[1,2,3], [4,5,6], [6,7,9]])
print(a.size())
print(a)
b = torch.Tensor([[1], [1], [1]])
print(b.size())
print(b)
c = torch.Tensor([[1,3], [1,4

			
		

	





	

		

			

				
					
torch.view函数用法

				
			

			

				

					wahahaha116的博客
				

				

					08-01
					
					1万+
					
				

			

		

		

			
				
这句话一般出现在model类的forward函数中，具体位置一般都是在调用分类器之前。分类器是一个简单的nn.Linear()结构，输入输出都是维度为一的值，x=x.view(x.size(0),-1)这句话的出现就是为了将前面多维度的tensor展平成一维。view中一个参数定为-1，代表自动调整这个维度上的元素个数，以保证元素的总数不变。在使用pytorch定义神经网络时，经常会看到类似如下的.view()用法。view()相当于reshape、resize，重新调整Tensor的形状。........

			
		

	





	

		

			

				
					
torch.view() 详解

				
			

			

				

					you 是 mine
				

				

					01-05
					
					4073
					
				

			

		

		

			
				
功能同reshape相似，但是 view() 只能操作 tensor，reshape() 可以操作 tensor 和 ndarray。view() 只能用在 contiguous（连续） 的变量上。如果在 view 之前用了 transpose, permute 等切片处理，需要用 contiguous() 来返回一个 contiguous copy。pytorch 中的 torch.reshape() 大致相当于 tensor.contiguous().view()

			
		

	





	

		

			

				
					
详解torch.view()的-1参数是什么意思

				
			

			

				

					qq_43539854的博客
				

				

					09-16
					
					6258
					
				

			

		

		

			
				
torch.view()
如果你想改变一个 tensor 的大小或者形状，你可以使用torch.view。
在pytorch中view函数的作用为重构张量的维度，相当于numpy中resize()的功能。view()返回的数据和传入的tensor一样，只是形状不同。
-1参数
-1在这里的意思是让电脑帮我们计算。
view()返回的tensor和传入的tensor共享内存。

...

			
		

	





	

		

			

				
					
torch中x = x.view(..., -1)的解释

				
			

			

				

					weixin_44425647的博客
				

				

					03-07
					
					3807
					
				

			

		

		

			
				
torch中在分类器中，经常会遇到：
x = x.view(x.size(0),-1)

其实在torch里面，view函数就相当于numpy的reshape，执行的操作就是对tensor进行维度转换。
import torch
x = torch.rand(2, 3, 4, 5) # 随机生成4 * 3 * 17 * 17 的数组
print("x.shape ==",x.shape) # 输出x的维度
print(x)

# 输出维度
x.shape ==torch.Size([2, 3, 4, 5])

			
		

	





	

		

			

				
					
torch中的torch.view() torch.permute()和 torch.transpose()以及numpy中的numpy.random.permutation()

				
			

			

				

					weixin_40607008的博客
				

				

					01-06
					
					2175
					
				

			

		

		

			
				
直入主题：

1.torch.view()是先把所有的Tensor()变成一维数据，然后按需(数据的维度)索取。举个例子



如果参数中出现-1值，那么这个位置的数据就要按照其他位置来判断了。比如上述例子中，



这个-1的值是4，是由其他位置(这里是2)计算得来的，只要保证数据的数量一致就可以。

2.torch.permute()

相比之下permute()的理解要稍微复杂一点。

其作...

			
		

	





	

		

			

				
					
Pythorch中torch.nn.LSTM()参数详解

				
			

			

				

					04-27
				

			

		

		

			
				
Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解；Pythorch中torch.nn.LSTM()参数详解

			
		

	





	

		

			

				
					
torch-1.10.2-cp36-cp36m-manylinux1_x86_64.whl

				
			

			

				

					05-09
				

			

		

		

			
				
torch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch

			
		

	





	

		

			

				
					
pytorch中torch.max和Tensor.view函数用法详解

				
			

			

				

					12-23
				

			

		

		

			
				
torch.max()
1.
torch.max()简单来说是返回一个tensor中的最大值。
例如：

>>> si=torch.randn(4,5)
>>> print(si)
tensor([[ 1.1659, -1.5195, 0.0455, 1.7610, -0.2064],
    [-0.3443, 2.0483, 0.6303, 0.9475, 0.4364],
    [-1.5268, -1.0833, 1.6847, 0.0145, -0.2088],
    [-0.8681, 0.1516, -0.7764, 0.8244, -1.2194]])
>>> print(

			
		

	





	

		

			

				
					
torch.cuda.amp- 自动混合精度详解.docx

				
			

			

				

					09-16
				

			

		

		

			
				
torch.cuda.amp- 自动混合精度详解

			
		

	





	

		

			

				
					
 torch-1.5~1.10-cp36-cp36m-linux_aarch64.whl及其torchvision对应版本

				
			

			

				

					06-30
				

			

		

		

			
				
内含下载文件  torch-1.7.0-cp36-cp36m-linux_aarch64.whl ——vision-...torch-1.5.0-cp36-cp36m-linux_aarch64.whl、torch-1.8.0-cp36-cp36m-linux_aarch64.whl、torch-1.10.1-cp36-cp36m-manylinux2014_aarch64.whl

			
		

	





	

		

			

				
					
load a PyTorch model from a TF 2.0 checkpoint, please set from_tf=True

				
			

			

				

					jacke121的专栏
				

				

					04-28
					
					415
					
				

			

		

		

			
				
load a PyTorch model from a TF 2.0 checkpoint, please set from_tf=True

			
		

	





	

		

			

				
					
模型训练中的过拟合和欠拟合

				
			

			

				

					zly_Always_be的博客
				

				

					04-28
					
					502
					
				

			

		

		

			
				
模型训练中的过拟合和欠拟合现象的原因、变现及解决方法

			
		

	





	

		

			

				
					
pytorch 实现语义分割 PSPNet

				
			

			

				

					hawk2014bj的博客
				

				

					04-29
					
					436
					
				

			

		

		

			
				
语意分割是指一张图片上包含多个物体，通过语义分割可以识别物体分类、物体名称、像素识别的任务。和物体检测不同，他不会将物体框出来，而是根据像素的归属把物体标注出来。PSPNet 的输入是一张图片，例如300500，那么输出就是一个 300500 数组，数组中的值就是分类索引，如果是 20 中分类，分类索引就是 0-19。PSPNet 的输入和输出，如下图。

			
		

	





	

		

			

				
					
每天五分钟玩转深度学习PyTorch：创建pytorch中的零维标量tensor

					
最新发布

				
			

			

				

					huanfeng_AI的博客
				

				

					04-29
					
					152
					
				

			

		

		

			
				
tensor张量是一个多维数组，零维就是一个点（就是本章的标量），一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和 numpy理解是一样的，不同的是Tensor不仅可以在CPU上跑，在GPU上也可以跑。标量（scalar），只具有数值大小，而没有方向，我们可以把标量看成是一个实数。本节课程我们学习如何使用pytorch来创建标量，在pytorch中只要dim=0的tensor，我们就可以认为它是标量。

			
		

	





	

		

			

				
					
import torch   def AddDataToTorch(oriData, newData, addDim):     if (oriData.numel() != 0):         if (len(oriData.shape) > addDim) and (len(newData.shape) > addDim):             return torch.cat((oriData.view(-1, 1), newData.view(-1, 1)), dim = addDim)     else:         return torch.cat((oriData.view(-1, 1), newData.view(-1, 1)), dim = 0)   mergeData = torch.Tensor() tmpData = torch.randn(3) for i in range(1, 10):     mergeData = AddDataToTorch(mergeData, tmpData, 1)      这段代码为什么提示AttributeError: 'NoneType' object has no attribute 'numel'

				
			

			

				

					05-21
				

			

		

		

			
				
这是因为在第一次调用`AddDataToTorch`时，`oriData`是空的，即为`NoneType`，没有`numel()`属性。你可以在调用`AddDataToTorch`之前添加一个判断语句，在`oriData`为空时进行特殊处理，如返回`newData`本身或创建一个大小为`newData`的新张量。例如：

```
import torch

def AddDataToTorch(oriData, newData, addDim):
    if oriData is None:
        return newData
    elif (len(oriData.shape) > addDim) and (len(newData.shape) > addDim):
        return torch.cat((oriData.view(-1, 1), newData.view(-1, 1)), dim=addDim)
    else:
        return torch.cat((oriData.view(-1, 1), newData.view(-1, 1)), dim=0)

mergeData = None
tmpData = torch.randn(3)
for i in range(1, 10):
    mergeData = AddDataToTorch(mergeData, tmpData, 1)
```

这样就可以避免该错误。

			
		

	



              



  
“相关推荐”对你有帮助么？

  

      
    
          
  • 
              
    
                  
                  
              
    
              
    非常没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    一般
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    有帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    非常有帮助
    
          
    • 
      

      

      

          
          提交
      

      

  




          




        



    





    



      

      

        
      

      





	

		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