torch.Tensor.view#

Tensor.view(*shape) → Tensor#

返回一個與 self 張量具有相同資料但具有不同 shape 的新張量。

返回的張量共享相同的資料，並且必須具有相同數量的元素，但其大小可能不同。為了能夠對張量進行 view 操作，新的 view 大小必須與其原始大小和步幅相容，即，每個新的 view 維度必須是原始維度的子空間，或者僅跨越滿足以下類似連續性條件的原始維度 $d, d+1, \dots, d+k$ ：

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

否則，將無法在不復制 self 張量的情況下將其 view 為 shape（例如，透過 contiguous()）。當不確定是否可以執行 view() 時，建議使用 reshape()，它將在形狀相容時返回一個 view，否則將執行復制（等同於呼叫 contiguous()）。

引數: 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

返回一個與 self 張量具有相同資料但具有不同 dtype 的新張量。

如果 dtype 的元素大小與 self.dtype 不同，則輸出的最後一個維度的尺寸將按比例縮放。例如，如果 dtype 的元素大小是 self.dtype 的兩倍，則 self 的最後一個維度中的每對元素將被合併，並且輸出的最後一個維度的尺寸將是 self 的一半。如果 dtype 的元素大小是 self.dtype 的一半，則 self 的最後一個維度中的每個元素將被分成兩半，並且輸出的最後一個維度的尺寸將是 self 的兩倍。要使此操作成為可能，必須滿足以下條件：

self.dim() 必須大於 0。

self.stride(-1) 必須為 1。

此外，如果 dtype 的元素大小大於 self.dtype 的元素大小，則還必須滿足以下條件：

self.size(-1) 必須可被 dtypes 元素大小之比整除。

self.storage_offset() 必須可被 dtypes 元素大小之比整除。

除最後一個維度外的所有維度的步幅都必須可被 dtypes 元素大小之比整除。

如果上述任何條件不滿足，則會丟擲錯誤。

警告

此過載不受 TorchScript 支援，在 Torchscript 程式中使用它將導致未定義行為。

引數: 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#

文件

教程

資源