對(duì)pytorch中x = x.view(x.size(0), -1) 的理解說(shuō)明
在pytorch的CNN代碼中經(jīng)常會(huì)看到
x.view(x.size(0), -1)
首先，在pytorch中的view()函數(shù)就是用來(lái)改變tensor的形狀的，例如將2行3列的tensor變?yōu)?行6列，其中-1表示會(huì)自適應(yīng)的調(diào)整剩余的維度
a = torch.Tensor(2,3) print(a) # tensor([[0.0000, 0.0000, 0.0000], # [0.0000, 0.0000, 0.0000]]) print(a.view(1,-1)) # tensor([[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]])
在CNN中卷積或者池化之后需要連接全連接層，所以需要把多維度的tensor展平成一維，x.view(x.size(0), -1)就實(shí)現(xiàn)的這個(gè)功能
def forward(self,x):
x=self.pre(x)
x=self.layer1(x)
x=self.layer2(x)
x=self.layer3(x)
x=self.layer4(x)
x=F.avg_pool2d(x,7)
x=x.view(x.size(0),-1)
return self.fc(x)
卷積或者池化之后的tensor的維度為(batchsize，channels，x，y)，其中x.size(0)指batchsize的值，最后通過(guò)x.view(x.size(0), -1)將tensor的結(jié)構(gòu)轉(zhuǎn)換為了(batchsize, channels*x*y)，即將（channels，x，y）拉直，然后就可以和fc層連接了
補(bǔ)充：pytorch中view的用法(重構(gòu)張量)
view在pytorch中是用來(lái)改變張量的shape的，簡(jiǎn)單又好用。
pytorch中view的用法通常是直接在張量名后用.view調(diào)用，然后放入自己想要的shape。如
tensor_name.view(shape)
Example:
1. 直接用法：
>>> x = torch.randn(4, 4) >>> x.size() torch.Size([4, 4]) >>> y = x.view(16) >>> y.size() torch.Size([16])
2. 強(qiáng)調(diào)某一維度的尺寸：
>>> z = x.view(-1, 8) # the size -1 is inferred from other dimensions >>> z.size() torch.Size([2, 8])
3. 拉直張量：
(直接填-1表示拉直， 等價(jià)于tensor_name.flatten())
>>> y = x.view(-1) >>> y.size() torch.Size([16])
4. 做維度變換時(shí)不改變內(nèi)存排列
>>> a = torch.randn(1, 2, 3, 4) >>> a.size() torch.Size([1, 2, 3, 4]) >>> b = a.transpose(1, 2) # Swaps 2nd and 3rd dimension >>> b.size() torch.Size([1, 3, 2, 4]) >>> c = a.view(1, 3, 2, 4) # Does not change tensor layout in memory >>> c.size() torch.Size([1, 3, 2, 4]) >>> torch.equal(b, c) False
注意最后的False，在張量b和c是不等價(jià)的。從這里我們可以看得出來(lái)，view函數(shù)如其名，只改變“看起來(lái)”的樣子，不會(huì)改變張量在內(nèi)存中的排列。
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。
相關(guān)文章
這篇文章主要介紹了Python定時(shí)器線程池原理詳解,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-02-02
基于MSELoss()與CrossEntropyLoss()的區(qū)別詳解
今天小編就為大家分享一篇基于MSELoss()與CrossEntropyLoss()的區(qū)別詳解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-01-01
Python中np.linalg.norm()用法實(shí)例總結(jié)
在線性代數(shù)中一個(gè)向量通過(guò)矩陣轉(zhuǎn)換成另一個(gè)向量時(shí),原有向量的大小就是向量的范數(shù),這個(gè)變化過(guò)程的大小就是矩陣的范數(shù),下面這篇文章主要給大家介紹了關(guān)于Python中np.linalg.norm()用法的相關(guān)資料,需要的朋友可以參考下2022-07-07
Python?matplotlib實(shí)現(xiàn)多子圖布局
多子圖布局是指在一個(gè)圖像中同時(shí)顯示多個(gè)子圖,每個(gè)子圖可以是獨(dú)立的圖形或者是相互關(guān)聯(lián)的圖形,下面我們就來(lái)了解下matplotlib是如何實(shí)現(xiàn)多子圖布局的吧2023-12-12
Python中模塊pymysql查詢結(jié)果后如何獲取字段列表
pymsql是Python中操作MySQL的模塊，其使用方法和MySQLdb幾乎相同。下面這篇文章主要給大家介紹了關(guān)于Python中模塊pymysql查詢結(jié)果后如何獲取字段列表的相關(guān)資料，文中介紹的非常詳細(xì)，需要的朋友可以參考借鑒，下面來(lái)看看詳細(xì)的介紹。2017-06-06
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)移位加密和解密，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-03-03
Python基于回溯法解決01背包問(wèn)題實(shí)例
這篇文章主要介紹了Python基于回溯法解決01背包問(wèn)題,結(jié)合實(shí)例形式分析了Python回溯法采用深度優(yōu)先策略搜索解決01背包問(wèn)題的相關(guān)操作技巧,需要的朋友可以參考下2017-12-12
Python庫(kù)Theano深度神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練深入探究
Theano是一個(gè)用于深度學(xué)習(xí)的Python庫(kù),它提供了高效的數(shù)值計(jì)算和自動(dòng)微分功能,使得深度神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練變得更加容易,本文將深入探討Theano的功能和用法,并提供豐富的示例代碼,幫助大家入門(mén)深度學(xué)習(xí)2024-01-01
python使用flask與js進(jìn)行前后臺(tái)交互的例子
今天小編就為大家分享一篇python使用flask與js進(jìn)行前后臺(tái)交互的例子，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-07-07
Pycharm安裝第三方庫(kù)、安裝位置以及鏡像設(shè)置方法詳解
對(duì)于Python開(kāi)發(fā)用戶來(lái)講,安裝第三方庫(kù)是家常便飯,下面這篇文章主要給大家介紹了關(guān)于Pycharm安裝第三方庫(kù)、安裝位置以及鏡像設(shè)置方法的相關(guān)資料,文中通過(guò)實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2023-05-05