torch.Tensor.view

Tensor.view(*shape) → Tensor

傳回一個新的 tensor，其資料與 self tensor 相同，但具有不同的 shape。

返回的張量共享相同的數據，並且必須具有相同數量的元素，但可以有不同的大小。為了使張量能夠被視為一個視圖，新的視圖大小必須與其原始大小和步幅相容，也就是說，每個新的視圖維度必須是原始維度的子空間，或者僅跨越原始維度 $d, d+1, \dots, d+k$，滿足以下類似連續性的條件：$\forall i = d, \dots, d+k-1$,

$$\text{stride}[i] = \text{stride}[i+1] \times \text{size}[i+1]$$

否則，將無法在不複製（例如，透過 contiguous()）的情況下將 self 張量視為 shape。當不清楚是否可以執行 view() 時，建議使用 reshape()，如果形狀相容，則返回一個視圖，否則進行複製（相當於調用 contiguous()）。

參數

shape (torch.Size 或 int...) – 想要的大小

範例

>>> 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

返回一個與 self 張量具有相同數據但具有不同 dtype 的新張量。

如果 dtype 的元素大小與 self.dtype 不同，則輸出最後一個維度的大小將按比例縮放。例如，如果 dtype 元素大小是 self.dtype 的兩倍，則 self 最後一個維度中的每對元素將被合併，並且輸出最後一個維度的大小將是 self 的一半。如果 dtype 元素大小是 self.dtype 的一半，則 self 最後一個維度中的每個元素將被分割成兩個，並且輸出最後一個維度的大小將是 self 的兩倍。為使這成為可能，必須滿足以下條件

• self.dim() 必須大於 0。

• self.stride(-1) 必須為 1。

此外，如果 dtype 的元素大小大於 self.dtype，則還必須滿足以下條件

• self.size(-1) 必須可以被 dtype 元素大小比例整除。

• self.storage_offset() 必須可以被 dtype 元素大小比例整除。

• 除了最後一個維度外，所有維度的 strides 必須可以被 dtype 元素大小比例整除。

如果以上任何條件未滿足，將會拋出錯誤。

警告

此重載不被 TorchScript 支援，在 Torchscript 程式中使用它將導致未定義的行為。

參數

dtype (torch.dtype) – 期望的 dtype

範例

>>> 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])