view和view_as怎么在Pytorch中使用

view和view_as怎么在Pytorch中使用？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

view()函數是在torch.Tensor.view()下的一個函數，可以有tensor調用，也可以有variable調用。

其作用在于返回和原tensor數據個數相同，但size不同的tensor

【Numpy中的size是元素個數，但是在Pytorch中size等價為Numpy中的shape】

view函數的-1參數的作用在于基于另一參數，自動計算該維度的大小

很重要的一點

view函數只能由于contiguous的張量上，具體而言，就是在內存中連續存儲的張量。

具體而言，可以參看 https://www.jb51.net/article/177564.htm

所以，當tensor之前調用了transpose, permute函數就會是tensor內存中變得不再連續，就不能調用view函數。

所以，應該提前做tensor.contiguous()的操作

view函數與Pytorch0.4中新增的reshape的區別

reshape函數調用是不依賴于tensor在內存中是不是連續的。

即

reshape ≈ tensor.contiguous().view

代碼

import numpy as np
import torch
from torch.autograd import Variable
 
x = torch.Tensor(2,2,2)
print(x)
 
y = x.view(1,8)
print(y)
 
z = x.view(-1,4) # the size -1 is inferred from other dimensions
print(z)
 
t = x.view(8)
print(t)

輸出

tensor([[[1.3712e-14, 6.4069e+02],
   [4.3066e+21, 1.1824e+22]],

  [[4.3066e+21, 6.3828e+28],
   [3.8016e-39, 0.0000e+00]]])

#x.view(1,8)生成的是[1,8]的張量
tensor([[1.3712e-14, 6.4069e+02, 4.3066e+21, 1.1824e+22, 4.3066e+21, 6.3828e+28,
   3.8016e-39, 0.0000e+00]])

#x.view(-1,4)其中-1是在4下的另一個維度的大小，也就是8/4=2，所以生成的是[2,4]的張量
tensor([[1.3712e-14, 6.4069e+02, 4.3066e+21, 1.1824e+22],
  [4.3066e+21, 6.3828e+28, 3.8016e-39, 0.0000e+00]])

x.view(8)生成的是[8,]的張量，是個數組
tensor([1.3712e-14, 6.4069e+02, 4.3066e+21, 1.1824e+22, 4.3066e+21, 6.3828e+28,
  3.8016e-39, 0.0000e+00])

view_as

返回被視作與給定的tensor相同大小的原tensor。 等效于：

self.view(tensor.size())

具體用法為：

代碼

a = torch.Tensor(2, 4)
b = a.view_as(torch.Tensor(4, 2))
print (b)

輸出

tensor([[1.3712e-14, 6.4069e+02],
  [4.3066e+21, 1.1824e+22],
  [4.3066e+21, 6.3828e+28],
  [3.8016e-39, 0.0000e+00]])

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。