view(*args)改变张量的大小和形状_pytorch reshape numpy

20201227

这个方法是在不改变数据内容的情况下，改变一个数组的格式，参数及返回值，官网介绍：

a：数组–需要处理的数据

newshape：新的格式–整数或整数数组，如(2,3)表示2行3列，新的形状应该与原来的形状兼容，即行数和列数相乘后等于a中元素的数量

order：

首先做出翻译：order : 可选范围为{‘C’, ‘F’, ‘A’}。使用索引顺序读取a的元素，并按照索引顺序将元素放到变换后的的数组中。如果不进行order参数的设置，默认参数为C。

（1）“C”指的是用类C写的读/索引顺序的元素，最后一个维度变化最快，第一个维度变化最慢。以二维数组为例，简单来讲就是横着读，横着写，优先读/写一行。

（2）“F”是指用FORTRAN类索引顺序读/写元素，最后一个维度变化最慢，第一个维度变化最快。竖着读，竖着写，优先读/写一列。注意，“C”和“F”选项不考虑底层数组的内存布局，只引用索引的顺序。

（3）“A”选项所生成的数组的效果与原数组a的数据存储方式有关，如果数据是按照FORTRAN存储的话，它的生成效果与”F“相同，否则与“C”相同。这里可能听起来有点模糊，下面会给出示例。

二、示例解释

1、首先随机生成一个4行3列的数组

2、使用reshape，这里有两种使用方法，可以使用np.reshape(r,(-1,1),order=‘F’)，也可以使用r1=r.reshape((-1,1),order=‘F’)，这里我选择使用第二种方法。通过示例可以观察不同的order参数效果。

F 按列的顺序 先排列的元素
通过例子可以看出来，F是优先对列信息进行操作，而C是优先行信息操作。如果未对r的格式进行设置，那么我们rashape的时候以“A”的顺序进行order的话，它的效果和“C”相同。

3、我们将r的存储方式进行修改，修改为类Fortan的方式进行存储。并做与第2步类似的操作。

2.接下来创建一个数组a，可以看到这是一个一维的数组

3.使用reshape()方法来更改数组的形状，可以看到看数组d成为了一个二维数组

4.通过reshape生成的新数组和原始数组公用一个内存，也就是说，假如更改一个数组的元素，另一个数组也将发生改变

5.同理还可以得到一个三维数组

reshape(-1,1)什么意思：

大意是说，数组新的shape属性应该要与原来的配套，如果等于-1的话，那么Numpy会根据剩下的维度计算出数组的另外一个shape属性值。

只有-1的话 默认是展平成一维 与shape数值相同的行 是没有列的
shape表现为（xx,） 如果假设有一列的话应该是（xx,1） 但是又可以
直接当做有一列来操作 不必可以先转成有一列再进行其他操作

也就是说，先前我们不知道z的shape属性是多少，但是想让z变成只有一列，行数不知道多少，通过z.reshape(-1,1)，Numpy自动计算出有12行，新的数组shape属性为(16, 1)，与原来的(4, 4)配套。

同理，只给定行数，newshape等于-1，Numpy也可以自动计算出新数组的列数。

https://www.jianshu.com/p/fc2fe026f002

20201202

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

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

        [[-1.3605,  1.9303],
         [-1.5382, -1.0865],
         [-0.9208, -0.1754],
         [ 0.1476, -0.8866],
         [ 0.4519,  0.2771]],

        [[ 0.6662,  1.1027],
         [-0.0912, -0.6284],
         [-1.0253, -0.3542],
         [ 0.6909, -1.3905],
         [-2.1140,  1.3426]]])
tensor([-0.6887,  0.2203, -1.6103, -0.7423,  0.3097, -2.9694,  1.2073, -0.3370,
        -0.5506,  0.4753, -1.3605,  1.9303, -1.5382, -1.0865, -0.9208, -0.1754,
         0.1476, -0.8866,  0.4519,  0.2771,  0.6662,  1.1027, -0.0912, -0.6284,
        -1.0253, -0.3542,  0.6909, -1.3905, -2.1140,  1.3426])

结论
X.view(-1)中的-1本意是根据(剩下维度)来自动调整，但是这里只有一个维度，因此就会将X里面的所有维度数据转化成一维的，并且按先后顺序排列。

dataTar 形状为 [20,21]
dataTar = dataTar.view(20,-1)
原来的基础上加-1 是什么作用

改成这种形状相当于 前面两位是 batch_size,通道数,后面两位相当于整个图片的元素
当元素总数只有比如768的时候,要开方的总数要和768一样,因为768不能完整开方,所以要padding
改成28x28

pytorch使用view(*args)在不改变张量数据的情况下随意改变张量的大小和形状

Song • 26190 次浏览 • 0 个回复 • 2017年09月23日

torch.Tensor.view会返回具有相同数据但大小不同的新张量。 返回的张量必须有与原张量相同的数据和相同数量的元素，但可以有不同的大小。一个张量必须是连续contiguous()的才能被查看。类似于Numpy的np.reshape()

pytorch中view的用法

torch.Tensor.view会将原有数据重新分配为一个新的张量，比如我们使用：

x = torch.randn(2, 4)

会输出一个随机张量：

 1.5600 -1.6180 -2.0366  2.7115
 0.8415 -1.0103 -0.4793  1.5734
[torch.FloatTensor of size 2x4]

然后我们看一下使用view重新构造一个Tensor

y = x.view(4,2)
print y

# 输出如下
1.5600 -1.6180
-2.0366 2.7115
0.8415 -1.0103
-0.4793 1.5734
[torch.FloatTensor of size 4x2]

从这里我们可以看出来他的作用，既然这样，我们可以将他变成一个三维数组：

z = x.view(2,2,2)

# 输出
(0 ,.,.) =
1.5600 -1.6180
-2.0366 2.7115

(1 ,.,.) =
0.8415 -1.0103
-0.4793 1.5734
[torch.FloatTensor of size 2x2x2]

注意：我们不能随便定义参数，需要根据自己的数据使用，比如x.view(2,2,1)会返回错误RuntimeError: invalid argument 2: size '[2 x 2 x 1]' is invalid for input of with 8 elements at /Users/soumith/code/builder/wheel/pytorch-src/torch/lib/TH/THStorage.c:41

下面是官方的案例：

x = torch.randn(4, 4)
print x
print x.size()

# 输出(4L, 4L)

y = x.view(16)
print y.size()
# 输出(16L,)

z = x.view(-1, 8) # the size -1 is inferred from other dimensions
print z.size()

# 输出(2L, 8L)

view_as(tensor)的用法

返回被视作与给定的tensor相同大小的原tensor。 等效于：

self.view(tensor.size())

具体用法为：

a = torch.Tensor(2, 4)
b = a.view_as(torch.Tensor(4, 2))
print b

pytorch中view的选择

• .resize()： 将tensor的大小调整为指定的大小。如果元素个数比当前的内存大小大，就将底层存储大小调整为与新元素数目一致的大小。如果元素个数比当前内存小，则底层存储不会被改变。原来tensor中被保存下来的元素将保持不变，但新内存将不会被初始化。
• .permute(dims)：将tensor的维度换位。具体可以自己测试
• torch.unsqueeze：返回一个新的张量，对输入的制定位置插入维度

相比之下，如果你想返回相同数量的元素，只是改变数组的形状推荐使用torch.view()

维度-1从其他维度推导而出也就是剩余的维度

20201210

原来是一个维度[20 ],view -1 变换之后增加了一个维度[20 1]