快捷方式

torch.Tensor.resize_

Tensor.resize_(*sizes, memory_format=torch.contiguous_format) Tensor

self 张量调整为指定的大小。如果元素数量大于当前存储大小,则调整底层存储以适应新的元素数量。如果元素数量较小,则不会更改底层存储。保留现有元素,但任何新内存都未初始化。

警告

这是一个低级方法。存储被重新解释为 C 连续的,忽略当前步长(除非目标大小等于当前大小,在这种情况下,张量保持不变)。在大多数情况下,您将改为使用 view(),它检查连续性,或 reshape(),它根据需要复制数据。要使用自定义步长就地更改大小,请参见 set_()

注意

如果 torch.use_deterministic_algorithms()torch.utils.deterministic.fill_uninitialized_memory 都设置为 True,则初始化新元素以防止使用结果作为操作输入时的非确定性行为。浮点和复数值设置为 NaN,整数值设置为最大值。

参数
  • sizes (torch.Sizeint...) – 期望的大小

  • memory_format (torch.memory_format,可选) – 张量的期望内存格式。默认值:torch.contiguous_format。请注意,如果 self.size()sizes 匹配,则 self 的内存格式将不受影响。

示例

>>> x = torch.tensor([[1, 2], [3, 4], [5, 6]])
>>> x.resize_(2, 2)
tensor([[ 1,  2],
        [ 3,  4]])

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源