更改 PyTorch 中的 Tensor 视图
PyTorch 是由 Facebook 的 AI 研究团队开发的开源机器学习库。它主要用于深度学习应用，包括自然语言处理、计算机视觉和强化学习。PyTorch 提供两个主要功能:多维 Tensor 对象和对这些 Tensor 进行操作的函数集合。
Torch
PyTorch 中的 Tensor 对象类似于 NumPy 的 ndarray，但增加了利用 GPU 和构建动态计算图的功能。这些计算图是在程序执行期间即时构建的，从而可以高效使用内存并实现更灵活的模型架构。此外，PyTorch 采用模块化设计，可以轻松构建和试验不同的神经网络模型。
PyTorch 中的 torch 模块是构建神经网络的主要库。它提供了广泛的构建块，用于构建各种类型的神经网络，包括完全连接层、卷积层、循环层等等。这些构建块可以组合起来，创建具有自定义架构的复杂模型。
torch 模块还包括许多用于执行神经网络中常见操作的函数，例如激活函数(例如 ReLU、sigmoid)、损失函数(例如交叉熵、均方误差)和优化算法(例如随机梯度下降、Adam)。
此外，PyTorch 中的 torch 模块包括用于数据加载和预处理的工具，以及用于评估和可视化模型性能的实用程序。它还提供了一个简单灵活的界面，用于在不同设备(包括 CPU、GPU 和分布式计算环境)上训练和部署模型。
本 PyTorch 教程将演示如何使用 PyTorch(与 Python 编程语言兼容的开源框架)改变张量的形状。张量是用于数据存储的多维数组，必须导入 torch 模块才能使用它们。tensor() 方法用于创建张量。
语法
torch.tensor(data)
其中数据是一个多维数组。
我们需要的第一步是安装 torch 模块，我们可以在下面显示的命令的帮助下完成此操作。
命令
pip3 install torch torchvision
一旦我们运行上述命令，torch 模块就会安装在我们的机器上。
tensor.view()
在 PyTorch 中，Tensor 的 view 方法用于重塑张量的维度，而不更改底层数据。 view 方法返回一个新张量，其元素数量与原始张量相同，但形状不同。
PyTorch 中 Tensor 对象的 view 方法采用两个参数 r 和 c，将张量重塑为具有 r 行和 c 列的矩阵。第一个参数指定所需的行数，第二个参数指定所需的列数。
view 方法接受一个或多个整数作为参数，这些参数指定张量的所需形状。参数可以是单个整数，在这种情况下，张量被重塑为具有指定长度的一维张量。或者，参数可以是整数元组，在这种情况下，张量被重塑为具有指定形状的张量。
例如，假设我们有一个形状为 (2, 3, 4) 的张量，它表示具有 2 个矩阵的 3 维张量，每个矩阵有 3 行和 4 列。我们可以使用 view 方法将此张量重塑为形状为 (2, 12) 的二维张量，如下所示:
示例
import torch # 创建形状为 (2, 3, 4) 的张量 x = torch.randn(2, 3, 4) # 将张量重塑为形状为 (2, 12) 的二维张量 y = x.view(2, 12) print(x.shape) # 打印 (2, 3, 4) print(y.shape) # 打印 (2, 12)
要运行上述代码，我们需要运行下面显示的命令。
命令
python3 main.py
一旦我们运行上述命令，我们可以预期输出与下面显示的输出相同。
输出
torch.Size([2, 3, 4]) torch.Size([2, 12])
请注意，原始张量中的元素数量必须与重塑张量中的元素数量相同。换句话说，原始张量的维度乘积必须等于重塑张量的维度乘积。
此外，view 方法返回一个与原始张量共享相同基础数据的新张量。这意味着如果修改了原始张量，重塑张量也会受到影响。但是，如果修改了重塑张量，原始张量不会受到影响。
现在让我们创建一个张量，并在 view 模块的帮助下拥有不同的列和行变化。
考虑下面显示的代码。
示例
# import torch module
import torch
# 创建一个包含 6 个元素的浮点数据类型的 1D 张量
data1 = torch.FloatTensor([23, 45, 54, 32, 23, 78])
# 显示原始张量
print("Original Tensor: ", data1)
# 将张量重塑为 3x2 矩阵并显示
print("Reshaped Tensor: ", data1.view(3, 2))
说明
该代码使用 PyTorch 库创建一个包含 6 个浮点值的 1 维张量 data1。然后使用 print() 函数显示原始张量。
接下来，使用 view() 方法将张量重塑为 3x2 矩阵，即具有 3 行和 2 列的矩阵。然后使用另一个 print() 语句显示重塑后的张量。
总之，该代码演示了如何使用 view() 方法在 PyTorch 中创建和操作张量以重塑张量。
要运行上述代码，我们需要运行下面显示的命令。
命令
python3 main.py
一旦我们运行上述命令，我们可以预期输出与下面显示的输出相同。
输出
Original Tensor: tensor([23., 45., 54., 32., 23., 78.])
Reshaped Tensor: tensor([[23., 45.],
[54., 32.],
[23., 78.]])
张量已重塑为 3 行 2 列。
现在让我们将张量的视图更改为 2 行 3 列。
考虑下面显示的代码。
示例
# 导入 torch 模块
导入 torch
# 创建一个包含 6 个元素的浮点数据类型的 1D 张量
data1 = torch.FloatTensor([23, 45, 54, 32, 23, 78])
# 显示原始张量
print("Original Tensor: ", data1)
# 将张量重塑为 2x3 矩阵并显示
print("Reshaped Tensor: ", data1.view(2, 3))
说明
此代码导入 PyTorch 库并创建一个包含 6 个浮点值的 1 维张量 data1。然后使用 print() 函数显示原始张量。
然后使用 view() 方法将张量重塑为 2x3 矩阵，即具有 2 行和 3 列的矩阵。然后使用另一个 print() 语句显示重塑后的张量。
要运行上述代码，我们需要运行下面显示的命令。
命令
python3 main.py
一旦我们运行上述命令，我们可以预期输出与下面显示的输出相同。
输出
Original Tensor: tensor([23., 45., 54., 32., 23., 78.])
Reshaped Tensor: tensor([[23., 45., 54.],
[32., 23., 78.]])
在上面两个例子中，我们使用 view 方法改变了张量的视图，如果需要，我们也可以改变数据类型。
考虑下面显示的代码。
示例
# 导入 torch 模块
导入 torch
# 创建一个包含 6 个元素的浮点数据类型的 1D 张量
data1 = torch.FloatTensor([15.5, 18.7, 21.3, 26.1, 30.2, 35.9])
# 显示原始张量的数据类型
print("原始张量数据类型: ", data1.dtype)
# 将 data1 的数据类型更改为 int8 并显示新的数据类型
print("转换为 int8: ", data1.view(torch.int8).dtype)
# 将 data1 的数据类型更改为 int16 并显示新的数据类型
print("转换为 int16: ", data1.view(torch.int16).dtype)
# 将 data1 的数据类型改为 int32，并显示新的数据类型
print("转换为 int32:", data1.view(torch.int32).dtype)
# 将 data1 的数据类型改为 int64，并显示新的数据类型
print("转换为 int64:", data1.view(torch.int64).dtype)
解释
该代码创建一个名为 data1 的 1 维张量，数据类型为 FloatTensor，包含 6 个元素:23、45、54、32、23 和 78。print() 函数用于显示原始张量。
接下来，将 view() 方法应用于 data1，将其形状更改为 3x2 矩阵。view() 方法采用两个参数来指定所需的张量形状。在本例中，张量被重新整形为 3 行 2 列。然后打印重新整形后的张量。
此代码演示了如何使用 view() 方法在 PyTorch 中更改张量的形状。通过更改张量的形状，我们可以操纵底层数据的组织和访问方式，这在各种应用程序中都很有用。
要运行上述代码，我们需要运行下面显示的命令。
命令
python3 main.py
一旦我们运行上述命令，我们可以预期输出与下面显示的输出相同。
输出
原始张量数据类型:torch.float32 转换为 int8:torch.int8 转换为 int16:torch.int16 转换为 int32:torch.int32 转换为 int64:torch.int64
结论
总之，PyTorch 是一个强大的开源框架，用于机器学习和深度学习任务。它提供了广泛的工具和功能来帮助用户操作和分析数据，包括创建和修改张量的能力。张量是可以容纳各种数据类型的多维数组，它们是 PyTorch 的基本构建块。
张量的一项重要功能是能够重塑它们，这可以使用 view() 方法实现。此方法允许用户在不修改其底层数据的情况下更改张量的形状，使其成为灵活高效的数据操作工具。通过使用 view() 方法，用户可以轻松更改张量的形状以满足他们的特定需求，无论是将 1D 张量转换为 2D 张量还是重新排列张量的维度。
总体而言，在 PyTorch 中更改张量视图的能力是机器学习和深度学习应用程序的宝贵工具，允许用户高效地操作和分析数据。借助 PyTorch，用户可以使用强大而灵活的框架来构建和训练机器学习模型，而重塑张量的能力只是可以帮助他们实现这一目标的众多工具之一。
