改变Tensor尺寸的操作
1.tensor.view
tensor.view方法，可以调整tensor的形状，但必须保证调整前后元素总数一致。view不会改变自身数据，返回的新的tensor与源tensor共享内存，即更改其中一个，另外一个也会跟着改变。
例：
|
1
2
3
4
5
6
7
8
9
|
In： import torch as t
a = t.arange(0, 6)
a.view(2, 3)
Out：tensor([[0, 1, 2],
[3, 4, 5]])
In： b = a.view(-1, 3)#当某一维为-1的时候，会自动计算它的大小
Out：tensor([[0, 1, 2],
[3, 4, 5]])
|
2.tensor.unsqueeze 和 tensor.squeeze
tensor.unsqueeze 和 tensor.squeeze分别用于增加或减少tensor的某一维度。
例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
In： b.unsqueeze(1)#注意形状， 在第1维（下标从0开始）上增加“1”
Out：tensor([[[0, 1, 2]],
[[3, 4, 5]]])
In： b.unsqueeze(-2) #-2表示倒数第二个维度
Out：tensor([[[0, 1, 2]],
[[3, 4, 5]]])
In： c = b.view(1, 1, 1, 2, 3)
c.unsqueeze(0)#压缩第0维的“1”
Out：tensor([[[[[[0, 1, 2],
[3, 4, 5]]]]]])
In： c.squeeze() #把所有维度为“1”的压缩
Out：tensor([[0, 1, 2],
[3, 4, 5]])
In：a[1] = 100
b #a和b共享内存，修改了a，b也变了
Out：tensor([[ 0, 100, 2],
[ 3, 4, 5]])
|
3.tensor.resize
tensor.resize是另外一种可以调整tensor尺寸的方法，但与view不同，它可以修改tensor的尺寸。如果新尺寸超过了原尺寸，会自动分配新的内存空间；如果新尺寸小于原尺寸，则之前的数据依旧会保存
例：
|
1
2
3
4
5
6
7
|
In： b.resize_(1, 3)
Out：tensor([[ 0, 100, 2]])
In： b.resize_(3, 3)#旧的数据依旧保存着，多出的数据会分配新空间
Out：tensor([[ 0, 100, 2],
[ 3, 4, 5],
[ 0, 0, 2323344073926471279]])
|
以上这篇pytorch 改变tensor尺寸的实现就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/qq_43581151/article/details/97271131