使用pytorch怎么改变tensor的尺寸

这期内容当中小编将会给大家带来有关使用pytorch怎么改变tensor的尺寸，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

1.tensor.view

tensor.view方法，可以调整tensor的形状，但必须保证调整前后元素总数一致。view不会改变自身数据，返回的新的tensor与源tensor共享内存，即更改其中一个，另外一个也会跟着改变。

例：

In： import torch as t
   a = t.arange(0, 6)
   a.view(2, 3)
Out：tensor([[0, 1, 2],
    [3, 4, 5]])

In： b = a.view(-1, 3)#当某一维为-1的时候，会自动计算它的大小
Out：tensor([[0, 1, 2],
    [3, 4, 5]])

2.tensor.unsqueeze 和 tensor.squeeze

tensor.unsqueeze 和 tensor.squeeze分别用于增加或减少tensor的某一维度。

例：

In： b.unsqueeze(1)#注意形状， 在第1维（下标从0开始）上增加“1”
Out：tensor([[[0, 1, 2]],
    [[3, 4, 5]]])
    
In： b.unsqueeze(-2) #-2表示倒数第二个维度
Out：tensor([[[0, 1, 2]],
    [[3, 4, 5]]])
    
In： c = b.view(1, 1, 1, 2, 3)
   c.unsqueeze(0)#压缩第0维的“1”
Out：tensor([[[[[[0, 1, 2],
      [3, 4, 5]]]]]])
      
In： c.squeeze() #把所有维度为“1”的压缩
Out：tensor([[0, 1, 2],
    [3, 4, 5]])
    
In：a[1] = 100
  b #a和b共享内存，修改了a，b也变了
Out：tensor([[ 0, 100,  2],
    [ 3,  4,  5]])

3.tensor.resize

tensor.resize是另外一种可以调整tensor尺寸的方法，但与view不同，它可以修改tensor的尺寸。如果新尺寸超过了原尺寸，会自动分配新的内存空间；如果新尺寸小于原尺寸，则之前的数据依旧会保存

例：

In： b.resize_(1, 3)
Out：tensor([[ 0, 100,  2]])

In： b.resize_(3, 3)#旧的数据依旧保存着，多出的数据会分配新空间
Out：tensor([[         0,         100,          2],
    [         3,          4,          5],
    [         0,          0, 2323344073926471279]])

pytorch的优点

1.PyTorch是相当简洁且高效快速的框架；2.设计追求最少的封装；3.设计符合人类思维，它让用户尽可能地专注于实现自己的想法；4.与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新；5.PyTorch作者亲自维护的论坛 供用户交流和求教问题6.入门简单

上述就是小编为大家分享的使用pytorch怎么改变tensor的尺寸了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。