torch.view()详解及-1参数是什么意思

最新推荐文章于 2024-09-12 19:13:56 发布
转载 最新推荐文章于 2024-09-12 19:13:56 发布 · 2.5k 阅读 · 2 ·
本内容遵循CC 4.0 BY-SA版权协议
原文链接：https://www.cnblogs.com/MartinLwx/p/10543604.html
本文详细解释了PyTorch中view(-1)的功能及用途，介绍了如何使用-1参数自动推导张量维度，适用于网络搭建时灵活调整数据形状。同时指出view操作与原张量共享内存的特点。
Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

Qwen
文本生成
Qwen3

本镜像基于 RTX 4090D 24GB 显存 + CUDA 12.4 + 驱动 550.90.07 深度优化，内置完整运行环境与 Qwen3-32B 模型依赖，开箱即用。

经常可以看到调用torch.view(-1,28*28)之类的调用，那么这里的-1是什么意思呢，经过查看文档view()得到了一下结果：

  • view()返回的数据和传入的tensor一样，只是形状不同
  • -1在这里的意思是让电脑帮我们计算，比如下面的例子，总长度是20，我们不想自己算20/5=420/5=4，就可以在不想算的位置放上-1，电脑就会自己计算对应的数字，这个在实际搭建网络的时候是很好用的
  • 还要注意view()返回的tensor和传入的tensor共享内存，意思就是修改其中一个，数据都会变
import torch
a = torch.arange(0,20) #此时a的shape是(1,20)
a.view(4,5).shape #输出为(4,5)
a.view(-1,5).shape #输出为(4,5)
a.view(4,-1).shape #输出为(4,5)

您可能感兴趣的与本文相关的镜像

Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

Qwen
文本生成
Qwen3

本镜像基于 RTX 4090D 24GB 显存 + CUDA 12.4 + 驱动 550.90.07 深度优化，内置完整运行环境与 Qwen3-32B 模型依赖，开箱即用。

标签
#pytorch #深度学习 #机器学习
JNash
关注
torch.view()
jacke121的专栏
06-11 7720
import torch conf_data=torch.tensor([[[1, 2,3], [4,5,6]], [[7,8,9],[10,11,12]],[[10, 20,30], [40,50,60]], [[70,80,90],[100,110,120]]]) conf_t=torch.tensor([1,2,3,4]) conf_data = conf_data.view(-1, 3) conf_t = conf_t.view(-1) print(conf_data) print(...
神经网络中view()，torch.flatten(),torch.nn.Flatten()详解
hjkdh的博客
02-23 1万+
神经网络view（）,torch.flatten（）,torch.nn.Flatten（）1、view()2、torch.nn.Flatten()3、torch.flatten() 在神经网络中经常看到view()，torch.flatten(),torch.nn.Flatten()这几个方法。这几个方法一般用于改变tensor的形状。为日后方便使用下面就一一透彻的理解一下。 1、view() view()的原理很简单，其实就是把原先tensor中的数据进行排列，排成一行，然后根据所给的view()中的参数
详解torch.view()的-1参数是什么意思
qq_43539854的博客
09-16 6825
torch.view() 如果你想改变一个 tensor 的大小或者形状，你可以使用torch.view。 在pytorch中view函数的作用为重构张量的维度，相当于numpy中resize()的功能。view()返回的数据和传入的tensor一样，只是形状不同。 -1参数 -1在这里的意思是让电脑帮我们计算。 view()返回的tensor和传入的tensor共享内存。 ...
x.view(a,b)及x = x.view(x.size(0), -1) 的理解说明
梦在黎明破晓时的博客
08-18 1524
x.view()
Pytorch里面的X.view(-1)操作
乄洛尘
05-30 2万+
Pytorch里面的X.view(-1)操作 看了很多关于Pytorch里面的view()，但是感觉很多都没讲.view(-1)是个什么意思。于是作了下列简单实验： import torch a = torch.randn(3,5,2) print(a) print(a.view(-1)) 运行结果： tensor([[[-0.6887, 0.2203], [-1.6103, -0.7423], [ 0.3097, -2.9694], [ 1.207
torch.view() 详解
you 是 mine
01-05 6710
功能同reshape相似，但是 view() 只能操作 tensor，reshape() 可以操作 tensor 和 ndarray。view() 只能用在 contiguous（连续） 的变量上。如果在 view 之前用了 transpose, permute 等切片处理，需要用 contiguous() 来返回一个 contiguous copy。pytorch 中的 torch.reshape() 大致相当于 tensor.contiguous().view()
【Pytorch】：x.view() view()方法的使用
极歌科技
07-20 5205
在pytorch当中，我们经常会用到x.view()方法来进行数据维度的变化，但是这个方法具体该如何使用呢？ 下面我来记录一下笔记： 一.按照传入数字使数据维度进行转换 首先，我们可以传入我们想要的维度，然后按照传入的数字对数据进行维度变化。比如，x.view()当中可以放入列表或者是单个数字，比如我们有代码先生成一个3*2维度的tensor矩阵，那么我们的代码可以写成x.view(3,2) 也...
torch:)——PyTorch: view( )用法详解
fuhao7i的博客
11-13 2万+
torch:)——PyTorch: view( )用法详解 PyTorch 中的view( )函数相当于numpy中的resize( )函数，都是用来重构(或者调整)张量维度的，用法稍有不同。 1. view(参数a, 参数b, 参数c…) >>> import torch >>> re = torch.tensor([1, 2, 3, 4, 5, 6]) >>> result = re.view(3,2) >>> result te
pytorch | torch.contiguous()方法
Mopes__的博客
03-30 3274
pytorch | torch.contiguous()方法
Pytorch-view的用法 torch.view(参数a，参数b，...) 有的时候会出现torch.view(-1)或者torch.view(参数a，-1)这种情况。
CSPhD-winston的博客
02-10 3万+
Pytorch-view的用法 在pytorch中view函数的作用为重构张量的维度，相当于numpy中resize（）的功能，但是用法可能不太一样。如下例所示 比如 import torch a=torch.Tensor([[[1,2,3],[4,5,6]]]) b=torch.Tensor([1,2,3,4,5,6]) print(a.view(1,6)) print(b.view(1,6...
torch.size(), torch.view(),torch.add_()
qq_36302589的博客
02-28 1万+
1.torch.size()的实质上是tuple from __future__ import print_function import torch x = torch.Tensor(5, 3) print(x.size()[0]) # Print the row dimension print(x.size()[1]) # Print the column dimension 输出...
Pytorch基础函数（二）变形函数——view()与view_as()
ADwenwen的博客
04-02 1万+
view()函数是用于对Tensor(张量)进行形状变化的函数，如一个Tensor的size是3x2，可以通过view()函数将其形状转为2x3。 但是需要注意的是进行操作的张量必须是contiguous()的，即在在内存中连续的。（不连续可以使用tensor.contiguous()操作转为连续）。 一、view()函数基本操作 函数定义：view(*args) [Ps:...
Pytorch基础 - 6. torch.reshape() 和 torch.view()
Aaron_neil的博客
04-14 3025
当tensor是连续的，torch.reshape() 和 torch.view()这两个函数的处理过程也是相同的，即两者均不会开辟新的内存空间，也不会产生数据的副本，只是改变了tensor的头信息区，如stride, 并没有修改这个tensor的存储区 Storage。当处理的tensor是非连续性的(contiguous) view()：在调用view()函数之前需要先调用 contiguous()方法，即x.contiguous().view()。
Pytorch矩阵乘法之torch.mul() 、 torch.mm() 及torch.matmul()的区别
热门推荐
irober的博客
02-05 3万+
torch.mul() 、 torch.mm() 及torch.matmul()的区别 一、简介 torch.mul(a, b) 是矩阵a和b对应位相乘，a和b的维度必须相等，比如a的维度是(1, 2)，b的维度是(1, 2)，返回的仍是(1, 2)的矩阵； torch.mm(a, b) 是矩阵a和b矩阵相乘，比如a的维度是(1, 2)，b的维度是(2, 3)，返回的就是(1, 3)的矩阵。 torch.bmm() 强制规定维度和大小相同 torch.matmul() 没有强制规定维度和大小，可以用利用广
torch.flatten()函数及x = x.view()函数 的理解
最新发布
浩瀚之水的专栏
09-12 1446
在PyTorch中，是一种常用的操作，用于改变张量（Tensor）的形状而不改变其数据。这里的x是一个多维张量，而.view()函数是用来重新塑形这个张量的，同时保持其元素的总数不变。具体来说，x.size(0)xx(a, b, c)x.size(0)a-1.view()-1-1因此，的作用是将张量x重新塑形为一个二维张量，其中第一维的大小保持不变（即原始张量的第一个维度的大小），而第二维的大小则自动调整，以包含所有剩余的元素。
torch.max()与torch.tensor()的用法
qq_43232545的博客
03-14 5298
torch.max() torch.max()简单来说是返回一个tensor中的最大值。 例如： si=torch.randn(4,5) print(si) tensor([[ 1.1659, -1.5195, 0.0455, 1.7610, -0.2064], [-0.3443, 2.0483, 0.6303, 0.9475, 0.4364], [-1.5268, -1.0833, ...
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
torch.view()、transpose()和permute()的联系与区别
谁谓荼苦，其甘如荠
09-23 5343
最近被pytorch的几种Tensor维度转换方式搞得头大，故钻研了一下，将钻研历程和结果简述如下 注意：torch.__version__ == '1.2.0’ torch.transpose()和torch.permute() 两者作用相似，都是用于交换不同维度的内容。但其中torch.transpose()是交换指定的两个维度的内容，permute()则可以一次性交换多个维度。具体情况如code所示： transpose(): 两个维度的交换 >>> a = torch.Tenso
评论
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