百度网站推广公司,网站开发初级技术人员,网站的动态新闻数据库怎么做,河南建筑信息公共这篇简明扼要的文章是关于PyTorch中的tensor.view()方法的介绍与应用#xff0c;与reshape()方法的区别#xff0c;同时给出示例进行详细解释。 Tensor基础
Tensor(张量)的视图是一个新的Tensor#xff0c;它与原始Tensor共享相同的底层数据#xff0c;但具有不同的形状或… 这篇简明扼要的文章是关于PyTorch中的tensor.view()方法的介绍与应用与reshape()方法的区别同时给出示例进行详细解释。 Tensor基础
Tensor(张量)的视图是一个新的Tensor它与原始Tensor共享相同的底层数据但具有不同的形状或大小。view()方法用于在不改变其数据的情况下将张量重塑为新的形状。它返回原始张量的新视图。这意味着修改新的张量会影响原来的张量反之亦然。
语法:
Tensor.view(*shape) - Tensorself想要重塑的输入Tensor。*shape一个torch.Size对象或指定输出张量所需形状的整数序列。还可以使用-1从其他维度推断一个维度的大小。
然而Tensor.view()仅适用于连续张量即存储在连续内存中的张量。如果输入张量不是连续的则需要在调用tensor .view()之前调用tensor.consecuous()。你可以通过调用tensor.is_consecuous()来检查张量是否是连续的。
代码示例
下面演示如何在实践中使用tensor.view()方法 import torchtorch.manual_seed(2023)# Create a tensor with the shape of 4x4x torch.randn(4, 4)print(x)
tensor([[ 0.4305, -0.3499, 0.4749, 0.9041],[-0.7021, 1.5963, 0.4228, -0.6940],[ 0.9672, 1.5569, -2.3860, 0.6994],[-1.0325, -2.6043, 0.9337, -0.1050]])y x.view(16)print(y)
tensor([ 0.4305, -0.3499, 0.4749, 0.9041, -0.7021, 1.5963, 0.4228, -0.6940,0.9672, 1.5569, -2.3860, 0.6994, -1.0325, -2.6043, 0.9337, -0.1050])zx.view(2,8)print(z)
tensor([[ 0.4305, -0.3499, 0.4749, 0.9041, -0.7021, 1.5963, 0.4228, -0.6940],[ 0.9672, 1.5569, -2.3860, 0.6994, -1.0325, -2.6043, 0.9337, -0.1050]])wx.view(-1,2)print(w)
tensor([[ 0.4305, -0.3499],[ 0.4749, 0.9041],[-0.7021, 1.5963],[ 0.4228, -0.6940],[ 0.9672, 1.5569],[-2.3860, 0.6994],[-1.0325, -2.6043],[ 0.9337, -0.1050]])你可以看到y和x有相同的数据但形状不同是16x1。Z和x有相同的数据但形状不同是2x8。W和x有相同的数据但形状不同是8x2。w的最后一个维度是从其他维度和x中的元素数量推断出来的。
Torch.view()和torch.reshape()的区别
torch.reshape()函数和tensor .view()方法之间的区别在于torch.reshape()可以返回原始张量的视图或副本具体取决于新形状是否与原始形状和步幅兼容而tensor .view()总是返回原始张量的视图但仅适用于连续张量。
当你想重塑一个张量而不担心它的连续性或复制行为时你应该使用torch.reshape()当你想重塑一个连续张量并确保它与原始张量共享相同的数据时你应该使用tensor. view()。
示例对比
场景 1数据连续时两者行为一致
import torch# 创建一个连续存储的张量 (2x3)
x torch.tensor([[1, 2, 3], [4, 5, 6]])
print(原始形状:, x.shape) # (2, 3)
print(是否连续:, x.is_contiguous()) # True# 使用 view 改变形状 (3x2)
y x.view(3, 2)
print(view 结果:, y) # [[1, 2], [3, 4], [5, 6]]# 使用 reshape 改变形状 (3x2)
z x.reshape(3, 2)
print(reshape 结果:, z) # [[1, 2], [3, 4], [5, 6]]结果一致且未复制数据is_contiguous() 返回 True。
场景 2数据不连续时view 失败reshape 成功
# 转置后数据不再连续原按行存储转置后按列逻辑访问
x_transposed x.t()
print(转置后形状:, x_transposed.shape) # (3, 2)
print(是否连续:, x_transposed.is_contiguous()) # False# 尝试用 view 改变形状 → 报错
try:y x_transposed.view(2, 3)
except RuntimeError as e:print(view 错误:, str(e)) # invalid argument: cannot view a non-contiguous tensor as ...# 使用 reshape 成功自动复制数据
z x_transposed.reshape(2, 3)
print(reshape 结果:, z) # [[1, 4], [2, 5], [3, 6]]
print(是否连续:, z.is_contiguous()) # True场景 3reshape 的灵活性使用 -1
# 不确定某一维度的大小时仅用 reshape
x_2d torch.randn(4, 6) # 形状 (4, 6)
# 将最后一维压缩为总和剩余维度自动推断
y x_2d.reshape(-1, 3) # 结果形状: (8, 3)
print(y.shape) # torch.Size([8, 3])因此我们应优先用 view当数据连续且形状明确时view 更高效零复制优先用 reshape需处理非连续数据、动态推断维度或不确定形状时。
