Pytorch阅读文档之reshape，view，flatten, transpose函数

Pytorch阅读文档之reshape，view，flatten函数

flatten函数

之前写过相关的文章，链接再此，对比总结会写在最后，看官别着急吼。

torch.reshape()函数

#reshape(*shape) → Tensor
#参数：
#shape (tuple of python:ints or int...) – 想要转换的形状
#返回具有与self相同的数据和元素数量但具有指定形状的张量。
#如果shape与当前形状兼容，则此方法返回一个视图。
#有关何时可以返回视图，请参见torch.Tensor.view（）。view之后再说，先看reshape
torch.reshape(input, shape) → Tensor
#返回具有与input相同的数据和元素数量，但具有指定形状的张量。如果可能，返回的张量将是input视图。否则，它将是copy的版本。连续输入和具有兼容步幅的输入可以在不复制的情况下进行重塑，但是您不应该依赖复制与查看行为。
#某个尺寸可能为-1，在这种情况下，它是根据剩余尺寸和输入的元素数推断出来的。（后面会有栗子）
#参数：input (Tensor) – 原始的shape
#shape (tuple of python:ints) – 需要的shape
>>> a = torch.arange(4.)
>>> torch.reshape(a, (2, 2))
tensor([[ 0.,  1.],
        [ 2.,  3.]])
>>> b = torch.tensor([[0, 1], [2, 3]])
#只有一个-1的话，就是直接展开
>>> torch.reshape(b, (-1,))
tensor([ 0,  1,  2,  3])
#给定一个的时候，另外一个就能就算出来
>>> torch.reshape(b, (-1, 2))
tensor([[0, 1],
        [2, 3]])
>>>  b = torch.tensor([[[0, 1], [2, 3]], [[0, 1], [2, 3]], [[0, 1], [2, 3]]])
>>> torch.reshape(b, (-1, 2, -1))
RuntimeError: only one dimension can be inferred
>>> torch.reshape(b, (2, 2, -1))
tensor([[[0, 1, 2],
         [3, 0, 1]],

        [[2, 3, 0],
         [1, 2, 3]]])

torch.Tensor.view（）函数

#view(*shape) → Tensor
#返回一个新张量，其数据与self张量相同，但shape是不同。 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，但可能具有不同的大小。一个张量可以被view，new view的尺寸必须与其原始尺寸和stride兼容，也就是说每个新视图尺寸必须是原始尺寸的子空间，或者只能跨越原始的d,d+1,...,d+k这些要满足以下的连续性条件，stride[i]=stride[i+1]×size[i+1] 对于任意的i=0，...,k-1
#一个tensor必须是连续的,才能被contiguous()查看。
>>> 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 的位置是可以推断出来
>>> 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)  # 交换第二维度和第三维度，改变了内存的位置
>>> b.size()
torch.Size([1, 3, 2, 4])
>>> c = a.view(1, 3, 2, 4)  # 不改变内存中的位置
>>> c.size()
torch.Size([1, 3, 2, 4])
>>> torch.equal(b, c) #所以不是一个
False
>>> torch.equal(a, c) #还是不是一个，不清楚官方给这个栗子想说明什么
False

#顺便说一下contiguous()
#返回一个包含与self张量相同数据的连续张量。如果self张量是连续的，则此函数返回self张量。其实就是返回一个结果
#torch.transpose(input, dim0, dim1) → Tensor
#返回张量，该张量是输入的转置版本。
#给定的尺寸dim0和dim1被交换。
#生成的张量与输入张量共享其基础存储，因此更改其中一个的内容将更改另一个的内容。
>>> x = torch.randn(2, 3)
>>> x
tensor([[ 1.0028, -0.9893,  0.5809],
        [-0.1669,  0.7299,  0.4942]])
#第一维度和第二维度转换
>>> torch.transpose(x, 0, 1)
tensor([[ 1.0028, -0.1669],
        [-0.9893,  0.7299],
        [ 0.5809,  0.4942]])