最近遇到这个函数，但查的中文博客里的解释貌似不是很到位，这里翻译一下*上的回答并加上自己的理解。
在pytorch中，只有很少几个操作是不改变tensor的内容本身，而只是重新定义下标与元素的对应关系的。换句话说，这种操作不进行数据拷贝和数据的改变，变的是元数据。
这些操作是：
narrow()，view()，expand()和transpose()
举个栗子，在使用transpose()进行转置操作时，pytorch并不会创建新的、转置后的tensor，而是修改了tensor中的一些属性（也就是元数据），使得此时的offset和stride是与转置tensor相对应的。
转置的tensor和原tensor的内存是共享的！
为了证明这一点，我们来看下面的代码：
|
1
2
3
4
5
|
x = torch.randn(3, 2)
y = x.transpose(x, 0, 1)
x[0, 0] = 233
print(y[0, 0])
# print 233
|
可以看到，改变了y的元素的值的同时，x的元素的值也发生了变化。
也就是说，经过上述操作后得到的tensor，它内部数据的布局方式和从头开始创建一个这样的常规的tensor的布局方式是不一样的！于是…这就有contiguous()的用武之地了。
在上面的例子中，x是contiguous的，但y不是（因为内部数据不是通常的布局方式）。
注意不要被contiguous的字面意思“连续的”误解，tensor中数据还是在内存中一块区域里，只是布局的问题！
当调用contiguous()时，会强制拷贝一份tensor，让它的布局和从头创建的一毛一样。
一般来说这一点不用太担心，如果你没在需要调用contiguous()的地方调用contiguous()，运行时会提示你：
RuntimeError: input is not contiguous
只要看到这个错误提示，加上contiguous()就好啦～
补充：pytorch之expand，gather，squeeze，sum，contiguous，softmax，max，argmax
gather
torch.gather(input,dim,index,out=None)。对指定维进行索引。比如4*3的张量，对dim=1进行索引，那么index的取值范围就是0~2.
input是一个张量，index是索引张量。input和index的size要么全部维度都相同，要么指定的dim那一维度值不同。输出为和index大小相同的张量。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
import torch
a=torch.tensor([[.1,.2,.3],
[1.1,1.2,1.3],
[2.1,2.2,2.3],
[3.1,3.2,3.3]])
b=torch.LongTensor([[1,2,1],
[2,2,2],
[2,2,2],
[1,1,0]])
b=b.view(4,3)
print(a.gather(1,b))
print(a.gather(0,b))
c=torch.LongTensor([1,2,0,1])
c=c.view(4,1)
print(a.gather(1,c))
|
输出：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
tensor([[ 0.2000, 0.3000, 0.2000],
[ 1.3000, 1.3000, 1.3000],
[ 2.3000, 2.3000, 2.3000],
[ 3.2000, 3.2000, 3.1000]])
tensor([[ 1.1000, 2.2000, 1.3000],
[ 2.1000, 2.2000, 2.3000],
[ 2.1000, 2.2000, 2.3000],
[ 1.1000, 1.2000, 0.3000]])
tensor([[ 0.2000],
[ 1.3000],
[ 2.1000],
[ 3.2000]])
|
squeeze
将维度为1的压缩掉。如size为（3,1,1,2），压缩之后为（3,2）
|
1
2
3
4
|
import torch
a=torch.randn(2,1,1,3)
print(a)
print(a.squeeze())
|
输出：
|
1
2
3
4
|
tensor([[[[-0.2320, 0.9513, 1.1613]]],
[[[ 0.0901, 0.9613, -0.9344]]]])
tensor([[-0.2320, 0.9513, 1.1613],
[ 0.0901, 0.9613, -0.9344]])
|
expand
扩展某个size为1的维度。如(2,2,1)扩展为(2,2,3)
|
1
2
3
4
5
|
import torch
x=torch.randn(2,2,1)
print(x)
y=x.expand(2,2,3)
print(y)
|
输出：
|
1
2
3
4
5
6
7
8
9
10
|
tensor([[[ 0.0608],
[ 2.2106]],
[[-1.9287],
[ 0.8748]]])
tensor([[[ 0.0608, 0.0608, 0.0608],
[ 2.2106, 2.2106, 2.2106]],
[[-1.9287, -1.9287, -1.9287],
[ 0.8748, 0.8748, 0.8748]]])
|
sum
size为（m,n,d）的张量，dim=1时，输出为size为（m,d）的张量
|
1
2
3
4
|
import torch
a=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])
print(a.sum())
print(a.sum(dim=1))
|
输出:
|
1
2
3
|
tensor(60)
tensor([[ 5, 10, 15],
[ 5, 10, 15]])
|
contiguous
返回一个内存为连续的张量，如本身就是连续的，返回它自己。一般用在view()函数之前，因为view()要求调用张量是连续的。
可以通过is_contiguous查看张量内存是否连续。
|
1
2
3
4
|
import torch
a=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])
print(a.is_contiguous)
print(a.contiguous().view(4,3))
|
输出：
|
1
2
3
4
5
|
<built-in method is_contiguous of Tensor object at 0x7f4b5e35afa0>
tensor([[ 1, 2, 3],
[ 4, 8, 12],
[ 1, 2, 3],
[ 4, 8, 12]])
|
softmax
假设数组V有C个元素。对其进行softmax等价于将V的每个元素的指数除以所有元素的指数之和。这会使值落在区间（0,1）上，并且和为1。
|
1
2
3
4
5
|
import torch
import torch.nn.functional as F
a=torch.tensor([[1.,1],[2,1],[3,1],[1,2],[1,3]])
b=F.softmax(a,dim=1)
print(b)
|
输出：
|
1
2
3
4
5
|
tensor([[ 0.5000, 0.5000],
[ 0.7311, 0.2689],
[ 0.8808, 0.1192],
[ 0.2689, 0.7311],
[ 0.1192, 0.8808]])
|
max
返回最大值，或指定维度的最大值以及index
|
1
2
3
4
5
6
7
|
import torch
a=torch.tensor([[.1,.2,.3],
[1.1,1.2,1.3],
[2.1,2.2,2.3],
[3.1,3.2,3.3]])
print(a.max(dim=1))
print(a.max())
|
输出：
|
1
2
|
(tensor([ 0.3000, 1.3000, 2.3000, 3.3000]), tensor([ 2, 2, 2, 2]))
tensor(3.3000)
|
argmax
返回最大值的index
|
1
2
3
4
5
6
7
|
import torch
a=torch.tensor([[.1,.2,.3],
[1.1,1.2,1.3],
[2.1,2.2,2.3],
[3.1,3.2,3.3]])
print(a.argmax(dim=1))
print(a.argmax())
|
输出：
|
1
2
|
tensor([ 2, 2, 2, 2])
tensor(11)
|
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/gdymind/article/details/82662502