python中reshape和torch.view

最新推荐文章于 2024-12-17 09:49:55 发布
原创 最新推荐文章于 2024-12-17 09:49:55 发布 · 1.3k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文对比了NumPy中的reshape函数与PyTorch中的view方法在处理多维数组时的应用。两者都能将原始张量转换为指定形状的新张量，且按照行优先的原则进行元素排列。
部署运行你感兴趣的模型镜像

reshape：

x = np.array([[[1,2,3],[4,5,6]],
     [[7,8,9],[10,11,12]]])
print(x.reshape(2,6))

输出

[[ 1  2  3  4  5  6]
 [ 7  8  9 10 11 12]]

torch.view：

# print(4&3)
x = torch.tensor([[[1,2,3],[4,5,6]],
     [[7,8,9],[10,11,12]]])
print(x.view(2,6))

结果：

tensor([[  1,   2,   3,   4,   5,   6],
        [  7,   8,   9,  10,  11,  12]])

作用是一样的，都以行开始排列

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

pytorch：深入理解 reshape(), view(), transpose(), permute() 函数
书山有路，学海无涯！
08-19 1万+
文章目录前言1. view()① 1 阶变高阶1 阶变 2 阶1 阶变 3 阶1 阶变 4 阶1 阶变 m 阶② 2 阶变 m 阶③ 3 阶变 m 阶④ 4 阶变 m 阶2. transpose()② 2 阶张量③ 3 阶张量④ 4 阶张量3. permute() 前言 view() 函数是进行张量维度重构的函数，permute() 和 transpose() 是进行张量维度转换的函数。 1. view() ① 1 阶变高阶 1 阶变 2 阶 对于一个 1 阶张量 x，进行 view(h, w) 操作就是按
PyTorch：view() 与 reshape() 区别详解
zhuguiqin1的专栏
08-25 1491
总之，两者都是用来重塑tensor的shape的。view只适合对满足连续性条件（contiguous）的tensor进行操作，而reshape同时还可以对不满足连续性条件的tensor进行操作，具有更好的鲁棒性。view能干的reshape都能干，如果view不能干就可以用reshape来处理。别看目录挺多，但内容很细呀~其实原理并不难啦~我们开始吧~ 1、PyTorch张量存储的底层原理 tensor数据采用头信息区（Tensor）和存储区 （Storage）分开存储的形式，如图1所示。变量名以及其
pytorch view()和reshape() 详解
一璐有你的专栏
08-27 1699
两者都是用来重塑tensor的shape的。view只适合对满足连续性条件（contiguous）的tensor进行操作，并且该操作不会开辟新的内存空间，只是产生了对原存储空间的一个新别称和引用，返回值是视图。reshape对适合对满足连续性条件（contiguous）的tensor进行操作返回值是视图，否则返回副本(此时等价于先调用contiguous()方法在使用view())考虑内存的开销而且要确保重塑后的tensor与之前的tensor共享存储空间，那就使用view。...
torch中view和reshape的区别
jiangwei741的博客
06-06 517
https://blog.csdn.net/Flag_ing/article/details/109129752
【pytorch进阶】| 各类张量形状变化函数总结对比分析，view，reshape，pernute，transpose，squeeze，unsqueeze
专注于人工智能的算法与应用
01-25 2826
reshape和view，大概率情况下会共享底层内存，但是在不连续的张量情况下（不连续发生在切片或者转置的时候），这时候会建立新的副本，这时候必须用reshape。函数生成的张量并不会和原始张量共享内存，并不会修改原始张量，而是返回一个新的张量副本。要求 变化后元素总的个数和变化前相同，对应上面的例子，变化前后都得是12个元素~（3,4）（2,6）（1,12）该函数返回一个新的张量，其维度顺序是原始张量维度的重新排列。方法则需要一个目标张量，它会将原始张量的形状改变为与目标张量相同的形状。
PyTorch 中 Tensor 的 `reshape`、`view`、`transpose`、`permute` 函数的区别
qq_46396470的博客
07-01 825
用于改变张量的形状。新张量与原张量共享数据内存，但形状不同。也用于调整张量的形状，与reshape类似，新张量与原张量共享数据内存,但要求张量是连续（contiguous）的。用于交换张量的两个维度，新张量与原张量共享数据内存。用于根据指定顺序重新排列张量的所有维度，新张量与原张量共享数据内存。reshape：用于改变张量形状，可以处理非连续张量。view：用于改变张量形状，但只能用于连续张量。对于非连续张量，需要先调用方法。transpose：用于交换两个维度。permute。
一文搞懂 | Pytorch维度转换操作：view，reshape，permute，flatten函数详解
u012374012的专栏
09-11 2670
在深度学习网络构建与计算过程中，我们经常会使用到张量维度之间的各种转换，用于不同操作。Pytorch中。本文将详细介绍这几个函数的作用与使用方式，并给出了具体的代码示例，希望能够帮助大家。常见的维度有四维：比如（batch, channel, height, width）；三维：比如（b,n,c）；二维：比如（h,w）。下面介绍如何使用上述函数进行维度之间的转换。
PyTorch中veiw()，reshape() 的用法及其区别
纽约恋情的博客
11-07 590
PyTorch的reshape函数返回的是原始张量的新视图，而不是副本，因此原始张量和新形状的张量共享相同的数据。同样的理由，不能将形状为（3，3）的张量reshape为形状为（1，8）的张量，原因也是元素总数不一样。x = x.view(x.size(0), -1) 就是将网络的上一层输出的shape从第一维度开始将后面的维度展平，例如:前一层的输出shape是（1，512，1，1）经过x = x.view(x.size(0), -1)之后就变成了（1，512）此外，当需要改变张量形状时，建议优先使用。
Pytorch中对tensor进行reshape的两种常用方法 .view() & .reshape()
热门推荐
weixin_44607838的博客
11-17 1万+
介绍 在使用Pytorch时，我们经常需要对一些tensor进行形状的改变以满足神经网络对输入数据的维度要求，我们最常用的两种方式就是.view() 以及 .reshape(), 除此之外，还有一种方法是.resize_(), 这种方法不仅可以改变数据的形状，同时还可以做到数据的部分截取。 在这篇博文中，我会将前两种方式，即.view()和.reshape()，作为主要的介绍对象。 1.view() 我们通过调用.view()方法返回的结果是原始张量数据的另一个视图，即返回的张量与原始张量共享基础数据（但是
**Pytorch 中view函数和reshape函数的区别*
weixin_52525925的博客
03-15 616
Pytorch 中view函数和reshape函数的区别（我是一名大一刚学计算机的学生 希望我的说法对你有帮助） 首先：要了解这个问题我们要先了解一个基本知识 张量的储存方式 跟据图片我们可以清楚的看到定义一个tensor 数据是由头信息区和存储区组成 学过C语言的同学都知道类似结构体中的指针变量指向储存区 有了上述的知识的铺垫我们开始讲veiw函数 这个函数的功能是改变函数的形状（但是其维度必定是原维度的子集） 我给你们举一个例子吧 在次之前先讲一个知识点 我们都知道tensor可以创建一个矩阵如下图：
torch的view和reshape函数
lcxyplucky的博客
01-05 1129
np.reshape()和torch.view()效果一样，reshape（）操作nparray，view（）操作tensor. torch 很早就有view（），之后更新加入了reshape（）， 区别是view（）只能操作contiguous的tensor，且view后的tensor和原tensor共享存储，reshape（）对于是否contiuous的tensor都可以操作。 ...
python view()函数与reshape()函数
qq_36846729的博客
07-04 801
view()与reshape()使用区别
【学习笔记】深入浅出详解Pytorch中的View, reshape, unfold，flatten等方法。
Small__明的博客
12-17 1927
最近在解析transformer源码的时候突然看到了unfold？我在想unfold是什么意思？为什么不用reshape，他们的底层逻辑有什么区别呢？于是便相对比一下他们之间的区别，便有了本篇博客，希望对大家有帮助！torch.unfold 的作用：从张量的某个维度提取滑动窗口。常用参数：dimension（展开维度）、size（窗口大小）、step（步长）。应用场景：卷积操作、图像处理、时间序列分析等。注意事项：选择合适的维度、窗口大小和步长，避免内存消耗过大。
Pytorch 一文搞懂view，reshape和permute，transpose用法
qq_19859865的博客
02-17 2196
存储的tensor按照行优先（row major）的顺序存储。如下图，当访问每一行的下一个元素，你只需要前进一步（stride），但是访问下一列的元素，需要前进四步（strides）。在PyTorch中，有些对Tensor的操作并不实际改变tensor的内容，而只是改变如何根据索引检索到tensor的byte location的方式，比如narrow()view()expand()permute()[1]。
pytorch中的reshape()、view()、nn.flatten()和flatten()
梦在黎明破晓时的博客
03-16 1万+
在使用pytorch定义神经网络结构时，经常会看到类似如下的.view() / flatten()用法，这里对其用法做出讲解与演示。
详解Pytorch中view()和reshape()的区别
nnzzll的博客
09-18 1486
Pytorch中view()和reshape()的区别
【轻松掌握】PyTorch中 reshape() 和 view() 的区别详解
创作高质量博文，分享知识，共同进步！
02-06 2715
🚀轻松解锁PyTorch张量重塑奥秘！💡`reshape()`和`view()`助你灵活调整数据维度。🔄掌握二者差异，避免常见错误。💡深入`contiguous()`理解，确保数据连续高效。🔄通过应用场景实战，加深理解。🚀读完本文，你将轻松驾驭PyTorch张量重塑技巧！#PyTorch #reshape #view #contiguous #张量重塑 #深度学习 #机器学习
PyTorch中的形状变换术：reshape、view与permute的区别与联系
mariodf的博客
05-17 937
PyTorch中的形状变换术：reshape、view与permute的区别与联系
# 应用旋转嵌入的函数 def apply_rotary_emb(     xq: torch.Tensor,     xk: torch.Tensor,     freqs_cis: torch.Tensor, ) -> Tuple[torch.Tensor, torch.Tensor]:     xq_ = torch.view_as_complex(xq.float().reshape(*xq.shape[:-1], -1, 2))    # 将xq视为复数     xk_ = torch.view_as_complex(xk.float().reshape(*xk.shape[:-1], -1, 2))    # 将xk视为复数     freqs_cis = reshape_for_broadcast(freqs_cis, xq_)    # 重塑复数的形状     xq_out = torch.view_as_real(xq_ * freqs_cis).flatten(3)    # 计算xq的输出     xk_out = torch.view_as_real(xk_ * freqs_cis).flatten(3)    # 计算xk的输出     return xq_out.type_as(xq), xk_out.type_as(xk)    # 返回xq和xk的输出
最新发布
03-25
xq_ = torch.view_as_complex(xq.float().reshape(*xq.shape[:-1], -1, 2)) xk_ = torch.view_as_complex(xk.float().reshape(*xk.shape[:-1], -1, 2)) ``` - 此处通过 `.view_as_complex()` 将实数张量转为了...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值