Python view()和repeat()函数的用法
前言：今天在看了一套代码，里面多次用到view和repeat函数，暂且记录一下这俩函数的用法吧。
1. view函数
在pytorch中，view函数可用于重构tensor张量的维度，类似于array数组的resize操作，但用法上存在一定的区别。
>>> import torch
>>> x = torch.randn(2,3) # 随机生成2行3列的数组
tensor([[-0.5826, 0.2356, 1.5760],
[ 0.7678, 0.3738, -0.1174]])
>>> x.shape
torch.Size([2, 3])
>>> y = torch.ones(4) # 生成长度为4的全1数组
tensor([1., 1., 1., 1.])
>>> y.shape
torch.Size([4])
1.1 Tensor.view(rows, cols,...)
含义：将Tensor张量冲构成rows * cols的张量形式(此处Tensor表示需要重构的任一张量）
>>> xx1 = x.view(3,2)
>>> xx1
tensor([[-0.5826, 0.2356],
[ 1.5760, 0.7678],
[ 0.3738, -0.1174]])
>>> xx1.shape
torch.Size([3, 2])
>>> yy1 = y.view(2,2)
>>> yy1
tensor([[1., 1.],
[1., 1.]])
>>> yy1.shape
torch.Size([2, 2])
1.2 Tensor.view(-1)或Tensor.view(-1, 1)
含义：当参数中存在-1时，表示该位置的数值需要经过计算（参数列表里只能存在至多一个-1）
>>> xx2 = x.view(-1,1)
>>> xx2
tensor([[-0.5826],
[ 0.2356],
[ 1.5760],
[ 0.7678],
[ 0.3738],
[-0.1174]])
>>> xx2.shape
torch.Size([6, 1])
>>> yy2 = y.view(1, -1)
>>> yy2
tensor([[1., 1., 1., 1.]])
>>> yy2.shape
torch.Size([1, 4])2. repeat函数
Tensor.repeat(*size): 用于在指定维度对张量进行复制操作
参数 sizes (torch.Size or int...) 为沿着各维度复制的次数。注：size参数的个数不能少于Tensor的维度
2.1 一维向量的复制
当size参数只有一个时，即 Tensor.repeat(num)，表示在Tensor的列方向上复制num倍；
当size参数有两个时，Tensor.repeat(num_row, num_col)，第一个num_row表示行方向的复制倍数，第二个num_col表示列方向的复制倍数；
当size参数有三个时，Tensor.repeat(num_channel, num_row, num_col)，第一个num_channel表示通道数的复制倍数，num_row表示行方向的复制倍数，第二个num_col表示列方向的复制倍数。
>>> x = torch.tensor([1, 2, 3])
>>> x.repeat(3)
tensor([1, 2, 3, 1, 2, 3, 1, 2, 3]) # 在列方向上复制三倍
>>> x.repeat(4, 2)
tensor([[ 1, 2, 3, 1, 2, 3],
[ 1, 2, 3, 1, 2, 3],
[ 1, 2, 3, 1, 2, 3],
[ 1, 2, 3, 1, 2, 3]]) # 在行方向上复制4倍，列方向上复制2倍
>>> x.repeat(4, 2, 2)
tensor([[[1, 2, 3, 1, 2, 3],
[1, 2, 3, 1, 2, 3]],
[[1, 2, 3, 1, 2, 3],
[1, 2, 3, 1, 2, 3]],
[[1, 2, 3, 1, 2, 3],
[1, 2, 3, 1, 2, 3]],
[[1, 2, 3, 1, 2, 3],
[1, 2, 3, 1, 2, 3]]]) #在通道方向复制4倍，行列方向各复制2倍
>>> x.repeat(4, 2, 2).size()
torch.Size([4, 2, 6])2.2 二维向量的复制
与一维向量相似，Tensor.repeat(num_row, num_col)表示在行方向上复制num_row倍，在列方向上复制num_col倍；
Tensor.repeat(num_channel, num_row, num_col)，表示在通道方向上复制num_channel倍，在行方向上复制num_row倍，在列方向上复制num_col倍。
>>> y = torch.rand(3, 2)
tensor([[0.0027, 0.6878],
[0.5797, 0.0492],
[0.8220, 0.5905]])
>>> y.repeat(3,2) # 在行方向复制3倍，在列方向复制2倍
tensor([[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905],
[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905],
[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905]])
>>> y.repeat(2,3,2) # 在通道方向复制两倍，在行方向复制3倍，在列方向复制2倍
tensor([[[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905],
[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905],
[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905]],
[[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905],
[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905],
[0.0027, 0.6878, 0.0027, 0.6878],
[0.5797, 0.0492, 0.5797, 0.0492],
[0.8220, 0.5905, 0.8220, 0.5905]]])
3. 总结示例
>>> x = torch.tensor([1, 2, 3, 4])
tensor([1, 2, 3, 4])
>>> y = torch.rand(2,3)
tensor([[0.5423, 0.4213, 0.9477],
[0.0385, 0.8777, 0.5502]])
>>> xx = x.view(-1, 1).repeat(1, len(y)).view(-1)
tensor([1, 1, 2, 2, 3, 3, 4, 4])
>>> yy = y.view(-1, 1).repeat(1, len(x)).view(-1)
>>> yy
tensor([0.5423, 0.5423, 0.5423, 0.5423, 0.4213, 0.4213, 0.4213, 0.4213, 0.9477,
0.9477, 0.9477, 0.9477, 0.0385, 0.0385, 0.0385, 0.0385, 0.8777, 0.8777,
0.8777, 0.8777, 0.5502, 0.5502, 0.5502, 0.5502])