torch.Tensor.view¶
- Tensor.view(*shape) Tensor ¶
返回一个新的张量,它与
self
张量具有相同的数据,但具有不同的shape
。返回的张量共享相同的数据,并且必须具有相同数量的元素,但大小可能不同。为了能够查看张量,新的视图大小必须与其原始大小和步幅兼容,即每个新的视图维度必须是原始维度的一个子空间,或者仅跨越原始维度 ,满足以下类似连续性的条件:,
否则,将无法在不复制
self
张量的情况下(例如,通过contiguous()
)将其视为shape
。当不清楚是否可以执行view()
时,建议使用reshape()
,如果形状兼容,则返回一个视图,否则复制(等效于调用contiguous()
)。- 参数
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
返回一个新的张量,它与
self
张量具有相同的数据,但数据类型不同(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一对元素将被组合,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个,输出的最后一个维度的尺寸将是self
的两倍。为了使这成为可能,以下条件必须为真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
,则以下条件也必须为真self.size(-1)
必须能够被数据类型元素大小的比率整除。self.storage_offset()
必须能够被数据类型元素大小的比率整除。除了最后一个维度之外,所有维度的步长都必须能够被数据类型元素大小的比率整除。
如果上述任何条件不满足,则会抛出错误。
警告
TorchScript 不支持此重载,在 Torchscript 程序中使用它会导致未定义的行为。
- 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])