Pytorch中的view()函數

原文地址

Pytorch系列目錄

view()函數有些像numpy中的reshape函數，是用來的tensor（張量）形式的數據進行圍堵重構的，直接用程序來說明用法

• 生成測試數據

  import torch
  
  torch.manual_seed(0)	# 用來控制內部的隨機機制使每次得到的隨機數一樣
  
  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]])
  

• 實現方法

  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表示不對這一維度的數量做具體限定，算出來是多少就是多少，注意在所有維度中只能有一個維度指定爲-1

  view()函數可以接收兩種形式的輸入，一種是給出一個‘形狀’ (2,-1)，一種是一次列舉各維度的維度值2,-1

• 可以用reshape()函數實現

  pytorch提供了很好的numpy兼容性，很多numpy下的方法在pytorch中也可以使用，用reshape()函數實現方式和實現結果與view相同

  print(tt.reshape((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.reshape(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]])
  

• 再多做一點兒，三維(2,2,-1)

  print(tt.reshape(2,2,-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]]])
  

  要在2維空間裏print3維的數據，大概就是這樣了吧