PyTorch中view的用法

理解

我的理解就是將原來的tensor在進行維度的更改（根據參數的輸入進行更改）后再進行輸出，其實就是更換了tensor的一種查看方式

例子

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))

輸出結果為

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

同樣的：

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

輸出結果為：

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

注意

但是要注意原來的tensor與新的tensor是共享內存的，也就是說對其中的一個tensor進行更改的話，另外一個tensor也會自動進行相應的修改。

那么如果想生成不共享內存的tensor要怎么做呢？

應該使用clone（）函數克隆和再進行view（），而且使⽤ clone 還有⼀個好處是會被記錄在計算圖中，即梯度回傳到副本時也會傳到源 Tensor 。

x_cp = x.clone().view(15)
x -= 1
print(x)
print(x_cp)

輸出的結果：

tensor([[ 0.6035, 0.8110, -0.0451],
 [ 0.8797, 1.0482, -0.0445],
 [-0.7229, 2.8663, -0.5655],
 [ 0.1604, -0.0254, 1.0739],
 [ 2.2628, -0.9175, -0.2251]])
tensor([1.6035, 1.8110, 0.9549, 1.8797, 2.0482, 0.9555, 0.2771,
3.8663, 0.4345,
 1.1604, 0.9746, 2.0739, 3.2628, 0.0825, 0.7749])

 

注意：有的是這樣使用的

x.view(4, -1)

其中的-1是表示你不確定這里的維數是多少，但是你確定前面的行數是3，讓系統自動調整