tensor.view()和tensor.reshape()和tensor.resize_()
tensor.view()和tensor.reshape()
示例文件 test.py
import torch
a = torch.randint(0, 10, (3, 4))
b = a.view(2, 6)
c = a.reshape(2, 6)
print(id(a)==id(b), id(a)==id(c), id(b)==id(c))
print(id(a.storage())==id(b.storage()),
id(a.storage())==id(c.storage()),
id(b.storage())==id(c.storage()))
print("permute result:")
k = a.permute(1, 0)
print(id(a)==id(k))
print(id(a.storage())==id(k.storage()))
print(k.is_contiguous())
print(a.is_contiguous())
a = a.permute(1, 0)
print("contiguous result:")
k = a.contiguous()
print(id(a)==id(k))
print(id(a.storage())==id(k.storage()))
c = a.reshape(2, 6)
print(c)
a = a.contiguous()
b = a.view(2, 6)
print(b)
print(id(a)==id(b), id(a)==id(c), id(b)==id(c))
print(id(a.storage())==id(b.storage()),
id(a.storage())==id(c.storage()),
id(b.storage())==id(c.storage()))
终端命令行及运行结果
python test.py
False False False
True True True
permute result:
False
True
False
True
contiguous result:
False
True
tensor([[1, 5, 2, 9, 2, 7],
[9, 6, 5, 6, 0, 3]])
tensor([[1, 5, 2, 9, 2, 7],
[9, 6, 5, 6, 0, 3]])
False False False
True True True
从运算结果来看：
1）view()方法只能改变连续的(contiguous)张量，否则需要先调用contiguous()方法；而reshape()方法不受此限制。
2）如果对 tensor 调用过 transpose()，permute()等操作的话会使该 tensor 在内存中变得不再连续。
3）view()方法和shape()方法返回的张量与原张量共享基础数据(存储器，注意不是共享内存地址)。
4）参数不可为空，-1就代表这个位置由其他位置的数字来推断，只要在不致歧义的情况的下，view()参数就可以推断出来。
tensor.resize_()
示例文件 test.py
import torch
a = torch.arange(24).view(4, 6)
print(a.resize_(6, 4))
b = a.resize_(3, 3)
print(b)
print(b.resize_(5, 5))
终端命令行及运行结果
python test.py
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]])
tensor([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
tensor([[ 0, 1, 2,
3, 4],
[ 5, 6, 7,
8, 9],
[ 10, 11, 12,
13, 14],
[ 15, 16, 17,
18, 19],
[ 20, 21, 22,
23, 3559939791936844404]])
从运算结果来看：
1）当目标大小大于当前大小时，基础存储器的大小将增大，以适应新的元素数，任何新的内存都是未初始化的。
2）当目标大小小于当前大小时，基础存储器的大小将不变，返回目标大小的元素重组后的张量，未使用的元素仍然保存在存储器中，如果再次resize回原来的大小，这些元素将会被重新使用。