相當于numpy中resize（）的功能，但是用法可能不太一樣。

我的理解是：

把原先tensor中的數(shù)據(jù)按照行優(yōu)先的順序排成一個一維的數(shù)據(jù)（這里應該是因為要求地址是連續(xù)存儲的），然后按照參數(shù)組合成其他維度的tensor。

比如說是不管你原先的數(shù)據(jù)是[[[1,2,3],[4,5,6]]]還是[1,2,3,4,5,6]，因為它們排成一維向量都是6個元素，所以只要view后面的參數(shù)一致，得到的結果都是一樣的。

比如，

a=torch.Tensor([[[1,2,3],[4,5,6]]])
b=torch.Tensor([1,2,3,4,5,6])
print(a.view(1,6))
print(b.view(1,6))

得到的結果都是

tensor([[1., 2., 3., 4., 5., 6.]]) 

再看一個例子：

a=torch.Tensor([[[1,2,3],[4,5,6]]])
print(a.view(3,2))

將會得到：

tensor([[1., 2.],
    [3., 4.],
    [5., 6.]])

相當于就是從1，2，3，4，5，6順序的拿數(shù)組來填充需要的形狀。但是如果您想得到如下的結果：

tensor([[1., 4.],
    [2., 5.],
    [3., 6.]])

就需要使用另一個函數(shù)了：permute（）。用法參見我的另一篇博客：PyTorch中permute的用法

另外，參數(shù)不可為空。參數(shù)中的-1就代表這個位置由其他位置的數(shù)字來推斷，只要在不致歧義的情況的下，view參數(shù)就可以推斷出來，也就是人可以推斷出形狀的情況下，view函數(shù)也可以推斷出來。

比如a tensor的數(shù)據(jù)個數(shù)是6個，如果view（1，-1），我們就可以根據(jù)tensor的元素個數(shù)推斷出-1代表6。

而如果是view（-1，-1，2），人不知道怎么推斷，機器也不知道。

還有一種情況是人可以推斷出來，但是機器推斷不出來的：view（-1，-1，6），人可以知道-1都代表1，但是機器不允許同時有兩個負1。

如果沒有-1，那么所有參數(shù)的乘積就要和tensor中元素的總個數(shù)一致了，否則就會出現(xiàn)錯誤。

補充：pytorch中x.view()和permute用法

pytorch中x.view()用法

在pytorch中經(jīng)常會看到x.view()，它表示將Tensor的維度轉變?yōu)関iew指定的維度，有點類似于resize函數(shù)

b=torch.Tensor([[[[1,2,3],[4,5,6],[7,8,9]],[[1,2,3],[4,5,6],[7,8,9]]]])
print(b.size())
(1, 2, 3, 3)
print(b.view(b.size(0),-1))
tensor([[1., 2., 3., 4., 5., 6., 7., 8., 9., 1., 2., 3., 4., 5., 6., 7., 8., 9.]])
print(b.view(b.size(0),-1).size())
(1, 18)

b.size(0)表示b中0維度==1，-1是按照原數(shù)據(jù)自動分配的列數(shù)。

a=torch.Tensor([[[1,2,3],[4,5,6]]])
print(a.size())
(1, 2, 3)
print(a.view(6,-1))
tensor([[1.],
[2.],
[3.],
[4.],
[5.],
[6.]])
print(a.view(6,-1).size())
(6, 1)

將a轉變成6行1列

print(a.view(-1,6).size())
(1, 6)

或者將a轉變成1行6列

在程序里還經(jīng)常見到view函數(shù)后面跟著permute()函數(shù)，這個函數(shù)是做維度換位的

print(a.view(-1,6).permute(1,0))
tensor([[1.],
[2.],
[3.],
[4.],
[5.],
[6.]])
print(a.view(-1,6).permute(1,0).size())
(6, 1)

加了permute，a就由（1,6）變成（6,1）了。

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。

最新評論