torch.Tensor.view#

Tensor.view(*shape) → Tensor#

返回一个与 self 张量具有相同数据但具有不同 shape 的新张量。

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，但其大小可能不同。为了能够对张量进行 view 操作，新的 view 大小必须与其原始大小和步幅兼容，即，每个新的 view 维度必须是原始维度的子空间，或者仅跨越满足以下类似连续性条件的原始维度 $d, d+1, \dots, d+k$ ：

\text{stride}[i] = \text{stride}[i+1] \times \text{size}[i+1]

否则，将无法在不复制 self 张量的情况下将其 view 为 shape（例如，通过 contiguous()）。当不确定是否可以执行 view() 时，建议使用 reshape()，它将在形状兼容时返回一个 view，否则将执行复制（等同于调用 contiguous()）。

参数: shape (torch.Size 或 int...) – 期望的大小

示例

>>> 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.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

view(dtype) → Tensor

返回一个与 self 张量具有相同数据但具有不同 dtype 的新张量。

如果 dtype 的元素大小与 self.dtype 不同，则输出的最后一个维度的尺寸将按比例缩放。例如，如果 dtype 的元素大小是 self.dtype 的两倍，则 self 的最后一个维度中的每对元素将被合并，并且输出的最后一个维度的尺寸将是 self 的一半。如果 dtype 的元素大小是 self.dtype 的一半，则 self 的最后一个维度中的每个元素将被分成两半，并且输出的最后一个维度的尺寸将是 self 的两倍。要使此操作成为可能，必须满足以下条件：

self.dim() 必须大于 0。

self.stride(-1) 必须为 1。

此外，如果 dtype 的元素大小大于 self.dtype 的元素大小，则还必须满足以下条件：

self.size(-1) 必须可被 dtypes 元素大小之比整除。

self.storage_offset() 必须可被 dtypes 元素大小之比整除。

除最后一个维度外的所有维度的步幅都必须可被 dtypes 元素大小之比整除。

如果上述任何条件不满足，则会抛出错误。

警告

此重载不受 TorchScript 支持，在 Torchscript 程序中使用它将导致未定义行为。

参数: dtype (torch.dtype) – 期望的 dtype

示例

>>> x = torch.randn(4, 4)
>>> x
tensor([[ 0.9482, -0.0310,  1.4999, -0.5316],
        [-0.1520,  0.7472,  0.5617, -0.8649],
        [-2.4724, -0.0334, -0.2976, -0.8499],
        [-0.2109,  1.9913, -0.9607, -0.6123]])
>>> x.dtype
torch.float32

>>> y = x.view(torch.int32)
>>> y
tensor([[ 1064483442, -1124191867,  1069546515, -1089989247],
        [-1105482831,  1061112040,  1057999968, -1084397505],
        [-1071760287, -1123489973, -1097310419, -1084649136],
        [-1101533110,  1073668768, -1082790149, -1088634448]],
    dtype=torch.int32)
>>> y[0, 0] = 1000000000
>>> x
tensor([[ 0.0047, -0.0310,  1.4999, -0.5316],
        [-0.1520,  0.7472,  0.5617, -0.8649],
        [-2.4724, -0.0334, -0.2976, -0.8499],
        [-0.2109,  1.9913, -0.9607, -0.6123]])

>>> x.view(torch.cfloat)
tensor([[ 0.0047-0.0310j,  1.4999-0.5316j],
        [-0.1520+0.7472j,  0.5617-0.8649j],
        [-2.4724-0.0334j, -0.2976-0.8499j],
        [-0.2109+1.9913j, -0.9607-0.6123j]])
>>> x.view(torch.cfloat).size()
torch.Size([4, 2])

>>> x.view(torch.uint8)
tensor([[  0, 202, 154,  59, 182, 243, 253, 188, 185, 252, 191,  63, 240,  22,
           8, 191],
        [227, 165,  27, 190, 128,  72,  63,  63, 146, 203,  15,  63,  22, 106,
          93, 191],
        [205,  59,  30, 192, 112, 206,   8, 189,   7,  95, 152, 190,  12, 147,
          89, 191],
        [ 43, 246,  87, 190, 235, 226, 254,  63, 111, 240, 117, 191, 177, 191,
          28, 191]], dtype=torch.uint8)
>>> x.view(torch.uint8).size()
torch.Size([4, 16])

torch.Tensor.view#

文档

教程

资源