torch.Tensor.view

Tensor.view(*shape) → Tensor

返回一个新张量，其数据与 self 张量相同，但具有不同的 形状。

返回的张量共享相同的数据，并且必须具有相同的元素数量，但可以具有不同的大小。对于可被 view 的张量，新的 view 大小必须与其原始大小和跨度兼容，即每个新的 view 维度必须要么是原始维度的一个子空间，要么仅跨越满足以下类似连续性条件的原始维度 $d, d+1, \dots, d+k$：即对于 $\forall i = d, \dots, d+k-1$，

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

否则，无法在不复制（例如，通过调用 contiguous()）的情况下将 self 张量 view 为 shape。当不确定是否可以执行 view() 时，建议使用 reshape()，如果形状兼容，它会返回一个 view，否则会进行复制（相当于调用 contiguous()）。

参数

shape (torch.Size 或 int...) – 期望的尺寸

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

返回一个新张量，其数据与 self 张量相同，但具有不同的 dtype。

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 最后一个维度中的每对元素将被组合，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 最后一个维度中的每个元素将被分成两部分，输出的最后一个维度的尺寸将是 self 的两倍。为了实现这一点，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，还必须满足以下条件：

• self.size(-1) 必须能被 dtypes 元素大小之比整除。

• self.storage_offset() 必须能被 dtypes 元素大小之比整除。

• 除了最后一个维度外，所有维度的跨度必须能被 dtypes 元素大小之比整除。

如果上述任一条件未满足，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) – 期望的数据类型

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])