赞
踩
在 PyTorch 中,reshape
和 view
都用于改变张量的形状,但它们在实现和使用上有一些重要的区别。理解这些区别对于在复杂的张量操作中选择合适的方法非常关键。
view
方法view
方法要求原始张量在内存中是连续的。如果张量不是连续的(即,内存布局不是顺序的),需要先调用 contiguous
方法。view
非常高效,因为它不复制数据,只是改变了张量的视图。import torch
# 创建一个张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(f"原始张量:\n{tensor}")
# 将张量重塑为 3x2
reshaped_tensor = tensor.view(3, 2)
print(f"view 重塑后的张量 (3x2):\n{reshaped_tensor}")
# 如果张量不连续,需要先调用 contiguous
non_contiguous_tensor = tensor.t() # 转置使其非连续
print(f"非连续张量:\n{non_contiguous_tensor}")
contiguous_tensor = non_contiguous_tensor.contiguous().view(3, 2)
print(f"contiguous 后使用 view 重塑的张量 (3x2):\n{contiguous_tensor}")
输出:
原始张量:
tensor([[1, 2, 3],
[4, 5, 6]])
view 重塑后的张量 (3x2):
tensor([[1, 2],
[3, 4],
[5, 6]])
非连续张量:
tensor([[1, 4],
[2, 5],
[3, 6]])
contiguous 后使用 view 重塑的张量 (3x2):
tensor([[1, 4],
[2, 5],
[3, 6]])
reshape
方法reshape
方法更灵活,可以处理非连续的张量。它会尝试返回一个与原始张量共享数据的新张量,但如果无法做到,它将创建一个新的张量,并复制数据。reshape
可能会比 view
慢,因为它可能需要复制数据。import torch
# 创建一个张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(f"原始张量:\n{tensor}")
# 将张量重塑为 3x2
reshaped_tensor = tensor.reshape(3, 2)
print(f"reshape 重塑后的张量 (3x2):\n{reshaped_tensor}")
# 非连续张量直接使用 reshape
non_contiguous_tensor = tensor.t() # 转置使其非连续
print(f"非连续张量:\n{non_contiguous_tensor}")
reshaped_non_contiguous_tensor = non_contiguous_tensor.reshape(3, 2)
print(f"reshape 直接重塑的张量 (3x2):\n{reshaped_non_contiguous_tensor}")
输出:
原始张量:
tensor([[1, 2, 3],
[4, 5, 6]])
reshape 重塑后的张量 (3x2):
tensor([[1, 2],
[3, 4],
[5, 6]])
非连续张量:
tensor([[1, 4],
[2, 5],
[3, 6]])
reshape 直接重塑的张量 (3x2):
tensor([[1, 4],
[2, 5],
[3, 6]])
view
:
contiguous
方法。reshape
:
在实际使用中,如果你确定你的张量是连续的,并且你不希望创建数据的副本,使用 view
会更高效。而如果你的张量可能是非连续的,或者你希望更加灵活地重塑张量,reshape
会是更好的选择。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。