Tensor.view()的用法

最新推荐文章于 2024-05-27 17:03:41 发布

程序猿000001号

最新推荐文章于 2024-05-27 17:03:41 发布

阅读量681

点赞数 3

文章标签：深度学习

本文链接：https://blog.csdn.net/m0_56896669/article/details/137471500

版权

本文介绍了PyTorch中的view()函数，用于在保持元素总数不变的情况下改变张量的维度和大小。方法通过指定目标形状，如(6,4),(5,2),或(3,-1)，实现张量形状的灵活调整。重要的是确保目标形状与原始张量元素总数匹配，且view()不改变数据内容，只改变内存布局。

摘要由CSDN通过智能技术生成

view()

x.view() 是 PyTorch 中用于改变张量形状的方法之一，它允许你在保持张量元素总数不变的情况下，重新组织张量的维度和大小。

view() 方法的用法如下：

x.view(*shape)

其中 x 是要进行形状变换的张量，shape 是一个整数或整数元组，用于指定目标形状。* 表示可以接受不定数量的参数。

view() 方法的关键是指定目标形状 shape。目标形状应该满足以下两个条件：

目标形状的元素总数必须与原始张量的元素总数相同，以保持数据完整性。
目标形状中的维度可以是具体的整数值，也可以是 -1，表示该维度的大小由其他维度的大小推断得出。

下面是一些使用 view() 方法的示例：

将一个张量的形状从 (2, 3, 4) 调整为 (6, 4)：

x = torch.randn(2, 3, 4)
y = x.view(6, 4)

将一个张量的形状从 (1, 10) 调整为 (5, 2)：

x = torch.randn(1, 10)
y = x.view(5, 2)

将一个张量的形状从 (3, 4, 5) 调整为 (3, -1)，其中 -1 表示自动计算该维度的大小：

x = torch.randn(3, 4, 5)
y = x.view(3, -1)

需要注意的是，view() 方法并不改变张量的数据内容，它只是改变了张量的形状。因此，改变形状后的张量与原始张量共享相同的存储空间，即它们指向同一块内存。这意味着对其中一个张量的修改也会影响到另一个张量。

此外，有时候在进行形状变换时，可能会遇到不能满足形状变换要求的情况，例如无法将一个张量的元素总数与目标形状的元素总数匹配。在这种情况下，会抛出一个错误。因此，确保目标形状与原始张量的元素总数匹配是很重要的。

总结起来，x.view() 方法是用于改变张量形状的函数，它允许你重新组织张量的维度和大小。通过指定目标形状，你可以调整张量的形状以满足特定的需求。

业务示例代码：

    # forward中定义数据流
    def forward(self, x):
        x = self.conv1(x)
        x = self.block2(x)
        x = self.block3(x)
        x = self.avgpool(x) # 此时这里是(样本量，256,1,1) NCHW
        # 进入线性层，必须将数据从四维数据变成一个二维数据
        # 此时需要将x给拉平
        x = x.view(x.shape[0], 256)
        x = self.fc(x)