PyTorch之Tensor常用操作

PyTorch之Tensor常用操作

注：主要内容是翻译自PyTorch的官方API文档，再加上一些自己的理解。

Tensor 之 view 方法

view(*shape) → Tensor

• 返回的是一个有着相同数据但形状不同的Tensor。
• 对于一个viewed的tensor，新的view size 必须与原始的size和stride兼容，比如每一个新的维度必须要么是原始维度的一个子空间，要么仅仅跨越原始维度$d,d+1,...,d+k$, 以致于可以满足contiguity-like condition使$\forall i=d,d+1,...,d+k-1$,
  $$stride[i]=stride[i+1]\times size[i+1]$$
• 否则的话，便不要用view(), 转而用reshape().

Parameters

shape (torch.Size or int…) – the desired size

Example

tensor = torch.FloatTensor([[[1,1,1],[2,2,2],[3,3,3],[4,4,4]], [[5,5,5],[6,6,6],[7,7,7],[8,8,8]]])  # 32-bit floating point
tensor = tensor.view(2, -1, 4)

其实现结果如下图所示：

>>> 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)  # -1的意思是使用另一个指定维度自动推算这个维度大小。
>>> z.size()
torch.Size([2, 8])

>>> a = torch.randn(1, 2, 3, 4)
>>> a.size()
torch.Size([1, 2, 3, 4])

>>> b = a.transpose(1, 2)  # Swaps 2nd and 3rd dimension
>>> b.size()
torch.Size([1, 3, 2, 4])

>>> c = a.view(1, 3, 2, 4)  # Does not change tensor layout in memory
>>> c.size()
torch.Size([1, 3, 2, 4])

>>> torch.equal(b, c)
False