torch x = x.view(-1, ...)理解

最新推荐文章于 2024-09-12 19:13:56 发布
最新推荐文章于 2024-09-12 19:13:56 发布
阅读量3.6k 收藏 5
点赞数 1
分类专栏： pytorch 文章标签： pytorch x.view x.size

参考链接： https://blog.csdn.net/scut_salmon/article/details/82391320

在torch里面，view函数相当于numpy的reshape，来看几个例子：


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a = torch.arange(
     
     1, 
     
     17)  
     
     # a's shape is (16,)
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a.view(
     
     4, 
     
     4) 
     
     # output below
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     tensor([[ 
     
     1,  
     
     2,  
     
     3,  
     
     4],
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             [
     
      5,  6,  7,  8],
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             [
     
      9, 10, 11, 12],
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             [
     
     13, 14, 15, 16]])
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [
     
     torch.FloatTensor of size 4x4]
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a.view(
     
     2, 
     
     2, 
     
     4) 
     
     # output below
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     tensor([[[ 
     
     1,  
     
     2,  
     
     3,  
     
     4],
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
              [
     
      5,  6,  7,  8]],
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             [
     
     [ 9, 10, 11, 12],
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
              [
     
     13, 14, 15, 16]]])
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [
     
     torch.FloatTensor of size 2x2x4]

在函数的参数中经常可以看到-1例如x.view(-1, 4)

这里-1表示一个不确定的数，就是你如果不确定你想要reshape成几行，但是你很肯定要reshape成4列，那不确定的地方就可以写成-1

例如一个长度的16向量x，

x.view(-1, 4)等价于x.view(4, 4)

x.view(-1, 2)等价于x.view(8，2)

x.view(2, -1)等价于x.view(2，8)

x.view(4, -1)等价于x.view(4，4)

以此类推

落地生根1314
关注
专栏目录
Pytorch中x = x.view(x.size(0), -1) 理解
weixin_43570470的博客
03-01 1034
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。参考代码中，分类器是一个简单的nn.Linear()结构，输入输出都是一维，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。其中，-1指的是不知道多少列的情况下，根据原来Tensor内容和Tensor的大小自动分配列数。 class fc_net_2layer(nn.Module): def __init__(self): super(f
对pytorch中x = x.view(x.size(0), -1) 的理解说明
胭脂草的ABC博客
06-22 1898
这篇文章主要介绍了对pytorch中x = x.view(x.size(0), -1) 的理解说明，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 在pytorch的CNN代码中经常会看到 x.view(x.size(0), -1) 首先，在pytorch中的view()函数就是用来改变tensor的形状的，例如将2行3列的tensor变为1行6列，其中-1表示会自适应的调整剩余的维度 a = torch.Tensor(2,3) print(a) # tensor([[0....
张量中 X.view()操作
MOL
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...
torch.flatten()函数及x = x.view()函数 的理解
最新发布
浩瀚之水的专栏
09-12 905
在PyTorch中，是一种常用的操作，用于改变张量（Tensor）的形状而不改变其数据。这里的x是一个多维张量，而.view()函数是用来重新塑形这个张量的，同时保持其元素的总数不变。具体来说，x.size(0)xx(a, b, c)x.size(0)a-1.view()-1-1因此，的作用是将张量x重新塑形为一个二维张量，其中第一维的大小保持不变（即原始张量的第一个维度的大小），而第二维的大小则自动调整，以包含所有剩余的元素。
View基础知识（1）
forestzhu的博客
01-19 435
View是所有控件的基类，是一种界面层的控件的一种抽象。 1.1 View的位置参数 一共8个 View主要由四个顶点决定，分别对应View的四个属性：top、left、right、bottom top是左上角纵坐标，left是左上角横坐标，right是右下角横坐标，bottom是右下角纵坐标 （注意这里面的参数是相对于View的父容器来说的） 获取这些参数的方法： Left=getLe
Python函数.view(1,-1）和 .view(-1,1)有什么区别
追梦人的博客
06-24 3003
view(1, -1)：这种形式的 .view() 操作将张量重新塑造为一个行数为 1，列数自动推断的二维张量。如果张量原来的形状是 (a, b, c)，则 .view(1, -1) 将其转换为 (1, a * b * c) 的形状。如果张量原来的形状是 (a, b, c)，则 .view(-1, 1) 将其转换为 (a * b * c, 1) 的形状。因此，.view(1, -1) 和 .view(-1, 1) 的区别在于最终张量的形状，前者得到一个行向量或一维张量，后者得到一个列向量或一维张量。
pytorch 中view函数用法
AlanxZhang的博客
10-07 2001
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
torch.cat()函数 dim = 2 和 -1 时关于第三维度的拼接。不理解的可问
qq_48983365的博客
03-29 3968
import torch c = torch.randn((2,3,4)) d = torch.randn((2,3,4)) print(c,d) print(c.shape,d.shape) print(torch.cat((c,d),dim=0)) print(torch.cat((c,d),dim=1)) print(torch.cat((c,d),dim=2)) m = torch.cat((c,d),dim=0) n = torch.cat((c,d),dim=1) l = torch.cat(
s = 256 # 2x min stride m.inplace = self.inplace forward = lambda x: self.forward(x)[0] if isinstance(m, Segment) else self.forward(x) m.stride = torch.tensor([s / x.shape[-2] for x in forward(torch.zeros(1, ch, s, s))]) # forward check_anchor_order(m) m.anchors /= m.stride.view(-1, 1, 1) self.stride = m.stride self._initialize_biases() # only run once
06-06
这段代码看起来像是在进行目标检测模型的初始化过程，其中包括计算输入图像的 stride，调整锚框的大小以适应不同尺度的特征图...值得注意的是，这段代码中还有一些其他函数和参数，可能需要结合具体模型来理解其含义。
class DyCAConv(nn.Module): def init(self, inp, oup, kernel_size, stride, reduction=32): super(DyCAConv, self).init() self.pool_h = nn.AdaptiveAvgPool2d((None, 1)) self.pool_w = nn.AdaptiveAvgPool2d((1, None)) mip = max(8, inp // reduction) self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0) self.bn1 = nn.BatchNorm2d(mip) self.act = h_swish() self.conv_h = nn.Conv2d(mip, inp, kernel_size=1, stride=1, padding=0) self.conv_w = nn.Conv2d(mip, inp, kernel_size=1, stride=1, padding=0) self.conv = nn.Sequential(nn.Conv2d(inp, oup, kernel_size, padding=kernel_size // 2, stride=stride), nn.BatchNorm2d(oup), nn.SiLU()) self.dynamic_weight_fc = nn.Sequential( nn.Linear(inp, 2), nn.Softmax(dim=1) ) def forward(self, x): identity = x n, c, h, w = x.size() x_h = self.pool_h(x) x_w = self.pool_w(x).permute(0, 1, 3, 2) y = torch.cat([x_h, x_w], dim=2) y = self.conv1(y) y = self.bn1(y) y = self.act(y) x_h, x_w = torch.split(y, [h, w], dim=2) x_w = x_w.permute(0, 1, 3, 2) a_h = self.conv_h(x_h).sigmoid() a_w = self.conv_w(x_w).sigmoid() # Compute dynamic weights x_avg_pool = nn.AdaptiveAvgPool2d(1)(x) x_avg_pool = x_avg_pool.view(x.size(0), -1) dynamic_weights = self.dynamic_weight_fc(x_avg_pool) out = identity * (dynamic_weights[:, 0].view(-1, 1, 1, 1) * a_w + dynamic_weights[:, 1].view(-1, 1, 1, 1) * a_h) return self.conv(out)用公式写出
06-03
\cdot \left(\text{Softmax}\left(\text{Linear}(\text{AdaptiveAvgPool2d}(x).\text{view}(n,-1)))\right)[:,0].view(-1,1,1,1] \cdot a_w + \text{Softmax}\left(\text{Linear}(\text{AdaptiveAvgPool2d}(x).\text...
Pytorch里面的X.view(-1)操作
weixin_42317631的博客
03-09 1138
X.view(-1)中的-1本意是根据另外一个数来自动调整维度，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。里面的X.view(-1)操作。
pytorch中的X.view[-1],X.view[-1,参数],X.view[参数，-1]
lsy5557的博客
03-08 2870
x.view[-1,参数a]以及x.view[参数a,-1]语句的作用就是根据参数来调整维度 import torch a = torch.rand(2,4,4) a = a.view(-1,2) print(a.shape) 上段代码的意思就是调整为2列的维度，因为一共32个元素，所以最后应该是（16，2）的tensor torch.Size([16, 2]) 同理，如果是x.view[参数，-1]就是根据参数来调整列数 a = torch.rand(2,4,4) a = a.view(2
x = x.view(x.size(0), -1) 的理解
热门推荐
whut_ldz的博客
12-23 6万+
之前对于pytorch的网络编程学习都是大致理解每一层的概念，有些语法语句没有从原理上弄清楚，就比如标题的x = x.view(x.size(0), -1)  。 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
x.view(a,b)及x = x.view(x.size(0), -1) 的理解说明
梦在黎明破晓时的博客
08-18 1167
x.view()
pytorch contiguous().view(-1, 1) 作用
ding_programmer的博客
07-06 1154
具体而言，该代码会先使用contiguous()方法将输入张量变成一个连续存储的副本，然后使用view()方法将其重塑为一个列向量，其中-1表示自动计算该维度的大小，1表示该列向量只有一列，即为一个列向量。注意，使用view()方法对非连续存储的张量进行操作时，需要先使用contiguous()方法将其变成连续存储的张量，否则可能会出现运行时错误。在对x进行重塑时，我们首先使用contiguous()方法将其变成连续存储的副本，然后使用view()方法将其重塑为一个列向量。
x.view()
weixin_47552564的博客
07-31 281
这里-1表示一个不确定的数，就是你如果不确定你想要reshape成几行，但是你很肯定要reshape成4列，那不确定的地方就可以写成-1。在函数的参数中经常可以看到-1例如x.view(-1, 4)x.view(-1, 4)等价于x.view(4, 4)x.view(-1, 2)等价于x.view(8，2)x.view()就是对tensor进行reshape。例如一个长度的16向量x，
torch中x = x.view(..., -1)的解释
weixin_44425647的博客
03-07 4034
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])
评论 1
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