在pytorch的CNN代码中经常会看到
1
|
x.view(x.size( 0 ), - 1 )
|
首先,在pytorch中的view()函数就是用来改变tensor的形状的,例如将2行3列的tensor变为1行6列,其中-1表示会自适应的调整剩余的维度
1
2
3
4
5
6
7
|
a = torch.Tensor( 2 , 3 )
print (a)
# tensor([[0.0000, 0.0000, 0.0000],
# [0.0000, 0.0000, 0.0000]])
print (a.view( 1 , - 1 ))
# tensor([[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]])
|
在CNN中卷积或者池化之后需要连接全连接层,所以需要把多维度的tensor展平成一维,x.view(x.size(0), -1)就实现的这个功能
1
2
3
4
5
6
7
8
9
10
|
def forward( self ,x):
x = self .pre(x)
x = self .layer1(x)
x = self .layer2(x)
x = self .layer3(x)
x = self .layer4(x)
x = F.avg_pool2d(x, 7 )
x = x.view(x.size( 0 ), - 1 )
return self .fc(x)
|
卷积或者池化之后的tensor的维度为(batchsize,channels,x,y),其中x.size(0)指batchsize的值,最后通过x.view(x.size(0), -1)将tensor的结构转换为了(batchsize, channels*x*y),即将(channels,x,y)拉直,然后就可以和fc层连接了
补充:pytorch中view的用法(重构张量)
view在pytorch中是用来改变张量的shape的,简单又好用。
pytorch中view的用法通常是直接在张量名后用.view调用,然后放入自己想要的shape。如
1
|
tensor_name.view(shape)
|
Example:
1. 直接用法:
1
2
3
4
5
6
|
>>> x = torch.randn( 4 , 4 )
>>> x.size()
torch.Size([ 4 , 4 ])
>>> y = x.view( 16 )
>>> y.size()
torch.Size([ 16 ])
|
2. 强调某一维度的尺寸:
1
2
3
|
>>> z = x.view( - 1 , 8 ) # the size -1 is inferred from other dimensions
>>> z.size()
torch.Size([ 2 , 8 ])
|
3. 拉直张量:
(直接填-1表示拉直, 等价于tensor_name.flatten())
1
2
3
|
>>> y = x.view( - 1 )
>>> y.size()
torch.Size([ 16 ])
|
4. 做维度变换时不改变内存排列
1
2
3
4
5
6
7
8
9
10
11
|
>>> 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
|
注意最后的False,在张量b和c是不等价的。从这里我们可以看得出来,view函数如其名,只改变“看起来”的样子,不会改变张量在内存中的排列。
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/TYUT_xiaoming/article/details/100799527