【Pytorch】TORCH.TENSOR.VIEW（）方法和reshape（）方法

最新推荐文章于 2024-04-21 09:48:04 发布
最新推荐文章于 2024-04-21 09:48:04 发布
阅读量946 收藏 1
点赞数 1
分类专栏： Pytorch 文章标签： pytorch 深度学习 机器学习
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/m0_58810879/article/details/121883781
版权

其官方文档给出的解释如下：

其解释为：返回一个和原张量具有相同数据元素但是不同形状的新张量，并且返回的新张量必须和原张量具有相同的元素数量。

下面举例实现：

我们可以看到B是一个共含有16个元素的结构为4*4的张量，我们可以通过view（）方法获取其改变结构后的张量，但view（）方法结果并不改变他本身的结构，只是做一个输出罢了，同reshape不一样，reshape会改变它的结构。

neu_eddata_yjzhang
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PyTorch中torch.tensor与torch.Tensor的区别详解
09-16
主要介绍了PyTorch中torch.tensor与torch.Tensor的区别详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
浅谈pytorch torch.backends.cudnn设置作用
12-20
cuDNN使用非确定性算法，并且可以使用torch.backends.cudnn.enabled = False来进行禁用 如果设置为torch.backends.cudnn.enabled =True，说明设置为使用使用非确定性算法 然后再设置： torch.backends.cudnn....
pytorch中torch.max和Tensor.view函数用法详解
09-18
今天小编就为大家分享一篇pytorch中torch.max和Tensor.view函数用法详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
torch.Tensor.view()
qq_42119367的博客
11-25 956
可以从这个函数处理之后的数值要进行什么处理来理解该函数功能 self.fc_unit = nn.Sequential( nn.Linear(in_features=6 * 6 * 248, out_features=1024), nn.Linear(in_features=1024, out_features=2) ) def forward(self, x): x = self.conv_unit(x)
【PyTorch】torch.gather() 用法
最新发布
简单记录生活、学习
04-21 1万+
相当于numpy中resize()的功能，但是用法可能不太一样。reshape（） 我的理解是： 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。比如说是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。比如， a=torch.Tensor([[[1,2,3],[4,5,6]]])
pytorch torch.Tensor.view
Claroja
09-05 178
应用 >>> x = torch.randn(4, 4) >>> x.size() torch.Size([4, 4]) >>> y = x.view(16) >>> y.size() torch.Size([16]) >>> z = x.view(-1, 8) # the size -1 is inferred from other dimensions >>> z.size() torch.Si
torch.tensor.view(*args)
danerer的专栏
09-30 9922
view(*args) → Tensor 返回一个有相同数据但大小不同的tensor。 返回的tensor必须有与原tensor相同的数据和相同数目的元素，但可以有不同的大小。一个tensor必须是连续的contiguous()才能被查看。 import torch x = torch.randn(4, 5) print('tensor原型:',x) print('tensor维度变换，由（4...
【Pytorch】torch.Tensor.view()使用
让算法融入生活，改变生活！
04-27 1572
官方文档：https://pytorch.org/docs/stable/generated/torch.Tensor.view.html?highlight=torch%20view#torch.Tensor.view 形式：Tensor.view(*shape) → Tensor 作用：返回一个新的张量，其数据与自张量相同，但形状不同。 说明：返回的张量共享相同的数据，并且必须具有相同数量的元素，但可能具有不同的大小。 当不清楚是否可以执行 view() 时，建议使用 reshape()，如果形状兼容则
pytorch查看torch.Tensor和model是否在CUDA上的实例
09-18
今天小编就为大家分享一篇pytorch查看torch.Tensor和model是否在CUDA上的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
torch.reshape /torch.Tensor.reshape
ZHOU的博客
04-02 3万+
y = x.reshape([batchsize, -1, sentsize, wordsize])把 x 改变形状为（batch,-1, sentsize, wordsize）-1 维度会自动根据其他维度计算x = np.transpose(x,axes=(1,0,2,3)) 把x 转置 axes: 要进行转置 的轴兑换序号arr1 = np.arange(12).reshape(2,2,3) ...
torch.Tensor.view(*args)的用法以及-1的使用
m0_46614636的博客
04-21 2066
torch.Tensor.view(*args) 函数作用： 返回一个有相同数据但形状不同的tensor。 返回的tensor必须有与原tensor相同的数据和相同数目的元素，但形状可以自己定义。 一个tensor必须是连续的contiguous()才能被查看。 关于连续可以参考这里 函数参数及实现： 参数主要是定义输出tensor的形状。 这里要提到-1的使用。 参数可以是这样的形式： x = torch.randn(3, 4) print(x) y = x.view(-1,6) print(y)
【python】torch中tensor的view函数怎么用
zkq_1986的博客
09-02 1万+
import numpy as np import torch x = torch.Tensor(2, 2, 2) y = x.view(1, 8) #输出维度：1*8 z = x.view(-1, 4) # -1表示维数自动判断，此输出的维度为：2*4 t = x.view(8) #输出维度 ： 8*1 t = x.view(-1) #输出维度： 1*8 ...
numpy.ndarray.reshape()torch.Tensor.reshape()与numpy.ndarray.view()torch.Tensor.view()的区别（view_as()）
Dontla的博客
04-29 546
参考文章：[Python] 更改矩阵形状：reshape(m,n)、view(m,n)和view_as(tensor)
torch中的view()和reshape()的区别
qq_39197555的博客
12-15 6609
torch的view()与reshape()方法都可以用来重塑tensor的shape，区别就是使用的条件不一样。view()方法只适用于满足连续性条件的tensor，并且该操作不会开辟新的内存空间，只是产生了对原存储空间的一个新别称和引用，返回值是视图。而reshape()方法的返回值既可以是视图，也可以是副本，当满足连续性条件时返回view，否则返回副本[ 此时等价于先调用contiguous()方法在使用view() ]。因此当不确能否使用view时，可以使用reshape。如果只是想简单地重塑一个t
2020-10-21 torch.Tensor.view()的用法
qq_40792786的博客
10-21 1362
图中先给出一个名字为C的Tensor，人为赋值为[ [ [ 1, 2, 3], [ 3, 4, 5 ] ], [ [ 6, 7, 8 ], [7, 8 , 9] ], [ [ 12, 34, 51 ], [ 78, 79, 80 ] ] ]，在这一组简单的数据中，batchsize=3即3个数据单元[ [ 1, 2, 3], [ 3, 4, 5 ] ]、[ [ 6, 7, 8 ], [7, 8 , 9] ]、[ [ 12, 34, 51 ], [ 78, 79, 80 ] ]，对于每个数...
torch库view函数用法
Flywheresea的博客
06-27 1万+
1函数.view() view（）用于改变tensor的形状 >>>x = torch.ones(2,2) >>>xv = x.view(-1) >>>x tensor([[1.,1.], [1.,1.]]) >>>xv tensor([1.,1.,1.，1.]) 将一个2×2的张量变为1×4，就是通过view(1,4)，1行4列。如果改为view（4，1），就会变为4×1的tensor,参数-1表示自适应，比如长度4
pytorch/torch中的view
qq_29007291的博客
05-19 162
类似于numpy中的reshape，且不改变原始数据。重点是，它是从最后一个维度进行reshape中的 import torch a = torch.randint(0, 10, size=(3, 4)) print(a) print(a.view(4, 3)) print(a.view(1, 12)) 分别得到 tensor([[7, 1, 7, 2], [9, 5, 7, ...
PyTorch：view() 与 reshape() 区别详解
热门推荐
Flag_ing的博客
10-17 5万+
总之，view能干的reshape都能干，如果view不能干就用reshape来处理。 目录 一、PyTorch中tensor的存储方式 1、PyTorch张量存储的底层原理 2、PyTorch张量的步长（stride）属性 二、view() 和reshape() 的比较 1、torch.Tensor.view() 2、torch.reshape() 一、PyTorch中tensor的存储方式 想要深入理解view与reshape的区别，首先要理解一些有关PyTorch张量存储的底层原理，
torch.tensor.view
08-21
torch.tensor.view()是一个用于改变tensor形状的方法。它返回一个新的tensor，该tensor具有与给定的尺寸参数相同的形状。该方法类似于torch.reshape()，但有一些区别。view()不会重新拷贝数据，而是直接在原有tensor...

“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