PyTorch中view()与cat()函数讲解浴与实例--（已解决）

最新推荐文章于 2025-03-02 10:13:47 发布
最新推荐文章于 2025-03-02 10:13:47 发布
阅读量685 收藏
点赞数 1
分类专栏： Pytorch 文章标签： 深度学习
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/qq_41603193/article/details/111505691
版权
本文介绍了PyTorch中的view()和cat()函数。view()类似于numpy的reshape，用于张量的重塑，允许一个维度设为-1。cat()函数则用于在特定维度上连接多个张量，需要输入是张量序列，且张量的形状和类型要匹配。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近在学习，记录一下：

1.view()函数

  view()函数有些像numpy中的reshape函数，是用来的tensor（张量）形式的数据进行围堵重构的，直接用程序来说明用法。

import torch

torch.manual_seed(0)	# 用来控制内部的随机机制使每次得到的随机数一样

tt = torch.rand(3,4)
# tensor([[0.4963, 0.7682, 0.0885, 0.1320],
#         [0.3074, 0.6341, 0.4901, 0.8964],
#         [0.4556, 0.6323, 0.3489, 0.4017]])

print(tt.view((2,-1)))
# tensor([[0.4963, 0.7682, 0.0885, 0.1320, 0.3074, 0.6341],
#         [0.4901, 0.8964, 0.4556, 0.6323, 0.3489, 0.4017]])
print(tt.view(2,-1))
# tensor([[0.4963, 0.7682, 0.0885, 0.1320, 0.3074, 0.6341],
#         [0.4901, 0.8964, 0.4556, 0.6323, 0.3489, 0.4017]])

  其中-1表示不对这一维度的数量做具体限定，算出来是多少就是多少，注意在所有维度中只能有一个维度指定为-1。

最低0.47元/天 解锁文章
PyTorch深度学习实战（20）——从零开始实现Fast R-CNN目标检测
盼小辉丶的博客
10-13 4758
Fast R-CNN 改进了 R-CNN，引入 RoI (Region of Interest) 池化层极大地提高了检测速度和准确性。Fast R-CNN 极大地推动了目标检测领域的发展，为后续的一系列算法奠定了基础，在准确性和速度之间取得了良好的平衡，成为了目标检测算法的重要里程碑。在本节中，我们将介绍 Fast R-CNN 的工作原理，然后在自定义数据集上训练 Fast R-CNN 目标检测模型。
深度学习之目标检测--Pytorch实战
需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号
01-18 9679
只需要能看懂python代码，就能最快入门深度学习---目标检测。目标检测简单的玩玩儿还行，模型调优，调参，还需要一定的数学功底。通过代码来实现卷积，池化，非线性激活，正则化，归一化，能让人减少对大量数学公式的敬畏，手写神经网络也是考研复试中上机考试的压轴题，掌握搭建神经网络和如何训练模型是需要掌握的基础的
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的用法
热门推荐
york1996的博客
08-22 27万+
相当于numpy中resize（）的功能，但是用法可能不太一样。 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...
Pytorch中view和reshape的区别
最新发布
weixin_51601682的博客
03-02 116
如果你确定张量是连续的，并且只想改变形状而不复制数据，可以使用 view；如果不确定张量的内存布局或者希望更灵活地调整形状，可以使用 reshape。view： 要求张量在内存中是连续的。如果张量不是连续的，则需要调用 .contiguous() 方法后才能使用 view。reshape： 更加灵活，不一定要求原张量连续。如果张量不连续，reshape 会自动返回一个新张量（可能是复制的数据）。
Pytorch中view函数、torch.cat()用法
小白记录学习日常（防止自己遗忘看过的知识点）
10-12 686
Pytorch中view函数、torch.cat()用法
view()函数
weixin_45135154的博客
07-03 488
import torch a = torch.randn(3,2,4) b = a.view(-1,3) print(a) print("______") print(b) tensor([[[ 2.0987e-01, -1.0433e+00, 8.5658e-01, 6.6644e-01], [ 2.0650e-03, -4.0122e-01, 9.4112e-02, 1.2041e+00]], [[-7.0400e-01, -1.6693e-01, 1.6
[Pytorch函数].view()
qq_41568188的博客
07-10 4453
相当于numpy中resize（）的功能，但是用法可能不太一样。 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]]]) b=torch.Tenso
PyTorch教程-4：PyTorch中网络的训练与测试
超级超级小天才的博客
12-12 4977
PyTorch 教程系列：https://blog.csdn.net/qq_38962621/category_10652223.html PyTorch教程-4：PyTorch中网络的训练与测试 基本原理 对于要训练的模型，首先我们需要定义其结构，实例化一个用于计算Loss的loss_function和一个用于更新参数的optimizer，之后的事情就比较简单了，只要准备训练数据，然后设定训练的代数（或者停止条件）就可以进行迭代的训练。最后保存模型。对于验证的模型，只要将数据传输进训练好的模型中就能得到预
第十章（5）：基于pytorch的transformer代码实现与详细解析（万字长文）
安静到无声
07-25 1291
第一步是将 Q 和 K 的转置相乘没什么好说的，相乘之后得到的 scores 还不能立刻进行 softmax，需要和 attn_mask 相加，把一些需要屏蔽的信息屏蔽掉，attn_mask 是一个仅由 True 和 False 组成的 tensor，并且一定会保证 attn_mask 和 scores 的维度四个值相同（不然无法做对应位置相加）总之，位置编码在Transformer模型中起着重要的作用，它帮助模型理解输入序列中的单词顺序和位置信息，从而更好地捕捉序列中不同单词之间的依赖关系。
Pytorch中的torch.cat()函数
日拱一卒
08-30 5206
先说cat( )的普通用法 如果我们有两个tensor是A和B，想把他们拼接在一起，需要如下操作： C = torch.cat( (A,B),0 ) #按维数0拼接（竖着拼） C = torch.cat( (A,B),1 ) #按维数1拼接（横着拼） >>> import torch >>> A=torch.ones(2,3) #2x3的张...
PyTorch cat, stack, transpose, permute, view和reshape详解
frighting_ing的博客
01-03 1443
简述 使用Pytorch过程中，我们经常对torch类型矩阵进行变换，常用的命令较多，我也将常用的命令进行学习整理，欢迎各位小伙伴一起学习，有错误欢迎批评指正！ 1. cat 对数据沿着某一维度进行拼接。cat后数据的总维数不变. 比如下面代码对两个2维tensor（分别为2x3,1x3）进行拼接，拼接完后变为3x3还是2维的tensor。 import torch x = torch.randn(2, 3) #tensor([[ 0.6614, 0.2669, 0.0617], # [
PyTorch view() 函数
赵继超的笔记
09-16 508
view() 函数 view(-1) 展平数组 import torch a = torch.Tensor([[1,2,3],[4,5,6]]) a.view(-1) >>> tensor([1., 2., 3., 4., 5., 6.]) a.view(-1).shape >>> torch.Size([6]) view(3,-1) 展平为3行 import torch a = torch.Tensor([[1,2,3],[4,5,6]]) a.view(3,-1)
pytorch中 .view()函数讲解
qq_36998053的博客
03-16 2610
一、普通用法 (手动调整size) view()相当于reshape、resize，重新调整Tensor的形状。 import torch a1 = torch.arange(0,16) print(a1) # tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]) a2 = a1.view(8, 2) a3 = a1.view(2, 8) a4 = a1.view(4, 4) print(a2) #tens
pytorch中的view()，max()和cat()
weixin_43882326的博客
07-24 423
1、view()的用法。 a=torch.ones(2,3,4,5) print(a.view(2,-1).size()) torch.Size([2,60]) 在神经网络全连接层前通常有一句类似的代码x=x.view(x.size(0),-1)，x.size(0)一般等于batch_size。 2、max()的用法 max(x)返回一维数据x的最大值。 max(x,0)有两个返回值，...
torch.cat( )以及view(-1）的理解
Christo的博客
08-18 1550
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
Pytorch基础函数（二）变形函数——view()与view_as()
ADwenwen的博客
04-02 1万+
view()函数是用于对Tensor(张量)进行形状变化的函数，如一个Tensor的size是3x2，可以通过view()函数将其形状转为2x3。 但是需要注意的是进行操作的张量必须是contiguous()的，即在在内存中连续的。（不连续可以使用tensor.contiguous()操作转为连续）。 一、view()函数基本操作 函数定义：view(*args) [Ps:...
【PyTorch】PyTroch中.view()函数的详细使用方法
开水的博客
08-08 1万+
PyTorch中的.view()函数是一个用于改变张量形状的方法。它类似于NumPy中的.reshape()函数，可以通过重新排列张量的维度来改变其形状，而不改变张量的数据。在深度学习中，.view()函数常用于调整输入数据的形状以适应模型的输入要求，或者在网络层之间传递数据时进行形状的转换。.view()函数的语法如下，shape是一个整数元组，用于指定新的张量形状，新形状的元素个数必须与原形状的元素个数相同。函数返回一个具有指定形状的新张量，但与原始张量共享数据存储，因此它们指向相同的内存区域。
Numpy基本用法
Marsm的博客
10-26 6724
文章目录一、Numpy基本用法二、Numpy创建数组1.使用np.array()由python list创建2.使用np的routines函数创建2.1 np.ones()2.2 zeros()2.3 np.full()2.4 np.eye()2.5 np.linspace()2.6 arange()2.7 randint()2.8 randn() 正太分布2.9 normal() 正太分布2....
cat pytorch
01-15
### PyTorch 猫 示例代码 为了展示如何使用 PyTorch 进行图像分类，特别是针对猫的图片识别任务，下面提供了一个简单的示例代码。此代码展示了如何加载数据集并训练模型来区分不同类别的动物，这里假设类别之一为猫。 #### 数据准备 首先定义 `DataLoader` 来处理输入的数据集： ```python from torchvision import datasets, transforms import torch.utils.data as data transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor() ]) dataset_train = datasets.ImageFolder(root='path_to_cat_dataset', transform=transform) train_loader = data.DataLoader( dataset_train, batch_size=32, shuffle=True, num_workers=4 )[^1] ``` 这段代码设置了用于预处理图像的操作链，并创建了 `ImageFolder` 实例指向存储猫图的位置。接着通过设置合适的参数配置了 `DataLoader` 对象以便后续迭代读取批次样本。 #### 定义网络结构 接下来构建卷积神经网络 (CNN)，这是一种常用来做图像分类的任务架构： ```python import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=5) self.pool = nn.MaxPool2d(kernel_size=2, stride=2) self.conv2 = nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 2) # Assuming binary classification between cat and non-cat def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x ``` 上述代码实现了一种基础版本的 CNN 架构，其中包含了两个卷积层和三个全连接层。最后一层输出维度设为2，表示这是一个二元分类问题——即判断给定图片是否属于“猫”。 #### 训练过程 最后编写一段脚本来执行实际的学习流程： ```python device = 'cuda' if torch.cuda.is_available() else 'cpu' net = Net().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) for epoch in range(EPOCHS): running_loss = 0.0 for i, (inputs, labels) in enumerate(train_loader): inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print('Finished Training') ``` 该部分初始化了损失函数、优化器并将整个计算转移到 GPU 上运行（如果可用）。循环遍历所有的 mini-batches 并更新权重直到完成指定轮次的训练。
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