极客笔记PyTorch 改变Tensor的视图
PyTorch是由Facebook的AI Research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提供了两个主要功能：多维Tensor对象和一系列操作这些Tensor的函数。
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能力。这些计算图在程序执行过程中实时构建，可以实现高效的内存使用和更灵活的模型架构。此外，PyTorch具有模块化设计，便于构建和尝试不同的神经网络模型。
PyTorch的torch模块是构建神经网络的主要库。它提供了一系列构建块，用于构建各种类型的神经网络，包括全连接层、卷积层、循环层等。这些构建块可以组合在一起，创建具有自定义架构的复杂模型。
torch模块还包括许多用于在神经网络中执行常见操作的函数，例如激活函数（如ReLU、sigmoid）、损失函数（如交叉熵、均方误差）和优化算法（如随机梯度下降、Adam）。
此外，PyTorch的torch模块还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工具。它还提供了一个简单灵活的界面，用于在不同设备上训练和部署模型，包括CPU、GPU和分布式计算环境。
本PyTorch教程将演示如何使用PyTorch改变张量的形状，PyTorch是一款与Python编程语言兼容的开源框架。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torch.tensor()方法创建张量。
语法
torch.tensor(data)
其中data是一个多维数组。
我们需要的第一步是安装torch模块，可以通过下面的命令来完成。
命令
pip3 install torch torchvision
一旦我们运行了上述命令，torch模块就会安装到我们的机器上。
tensor.view()
在PyTorch中，Tensor的view方法用于重新调整张量的维度而不改变底层数据。view方法返回一个与原始张量具有相同元素数量但形状不同的新张量。
在PyTorch中，Tensor对象的view方法接受两个参数r和c，以将张量重新调整为具有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，用于指定张量的所需形状。参数可以是一个整数，此时张量将重新调整为具有指定长度的一维张量。或者，参数可以是一个整数元组，此时张量将重新调整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，表示一个包含2个矩阵的三维张量，每个矩阵具有3行4列。我们可以使用view方法将此张量重新调整为形状为(2, 12)的二维张量，具体如下所示：
示例
import torch
# create a tensor with shape (2, 3, 4)
x = torch.randn(2, 3, 4)
# reshape the tensor into a 2-dimensional tensor with shape (2, 12)
y = x.view(2, 12)
print(x.shape) # prints (2, 3, 4)
print(y.shape) # prints (2, 12)
为了运行上述代码，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，我们可以期望得到与下方显示的输出相同。
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后的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后的张量的维度乘积。
此外，view方法返回一个与原始张量共享相同底层数据的新张量。这意味着如果修改原始张量，重塑后的张量也会受到影响。然而，如果修改重塑后的张量，原始张量不会受到影响。
现在让我们使用view模块创建一个张量，并在列和行之间有不同的变化。
考虑下面的代码示例。
示例
# import torch module
import torch
# create a 1D tensor with Float data type that holds 6 elements
data1 = torch.FloatTensor([23, 45, 54, 32, 23, 78])
# display the original tensor
print("Original Tensor: ", data1)
# reshape the tensor into a 3x2 matrix and display
print("Reshaped Tensor: ", data1.view(3, 2))
说明
这段代码使用PyTorch库创建一个包含6个浮点值的一维张量data1。然后使用print()函数显示原始张量。
接下来，使用view()方法将张量重新形状为一个3×2的矩阵，即一个包含3行2列的矩阵。然后使用另一个print()语句显示结果重塑后的张量。
总结起来，这段代码演示了如何在PyTorch中创建和操作张量，使用view()方法对张量进行重新形状。
要运行上述代码，我们需要运行如下所示的命令。
命令
python3 main.py
一旦我们运行上述命令，我们可以期望输出与下面所示的相同。
输出
Original Tensor: tensor([23., 45., 54., 32., 23., 78.])
Reshaped Tensor: tensor([[23., 45.],
[54., 32.],
[23., 78.]])
张量已经被重塑成3行2列。
现在让我们将张量的视图改为2行3列。
考虑下面显示的代码。
示例
# import torch module
import torch
# create a 1D tensor with Float data type that holds 6 elements
data1 = torch.FloatTensor([23, 45, 54, 32, 23, 78])
# display the original tensor
print("Original Tensor: ", data1)
# reshape the tensor into a 2x3 matrix and display
print("Reshaped Tensor: ", data1.view(2, 3))
解释
这段代码导入了PyTorch库，并创建了一个包含6个浮点数的一维张量data1。然后使用print()函数来显示原始张量。
然后使用view()方法将张量重新形状为一个2×3的矩阵，即一个包含2行3列的矩阵。然后使用另一个print()语句来显示重新形状后的张量。
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
一旦我们运行了上述命令，我们可以期望输出与下面显示的相同。
输出
Original Tensor: tensor([23., 45., 54., 32., 23., 78.])
Reshaped Tensor: tensor([[23., 45., 54.],
[32., 23., 78.]])
在上述两个示例中，我们使用view方法改变了张量的视图，如果需要的话，我们还可以改变数据类型。
考虑下面的代码：
示例
# import torch module
import torch
# create a 1D tensor with Float data type that holds 6 elements
data1 = torch.FloatTensor([15.5, 18.7, 21.3, 26.1, 30.2, 35.9])
# display the data type of the original tensor
print("Original Tensor data type: ", data1.dtype)
# change the data type of data1 to int8 and display the new data type
print("Converting to int8: ", data1.view(torch.int8).dtype)
# change the data type of data1 to int16 and display the new data type
print("Converting to int16: ", data1.view(torch.int16).dtype)
# change the data type of data1 to int32 and display the new data type
print("Converting to int32: ", data1.view(torch.int32).dtype)
# change the data type of data1 to int64 and display the new data type
print("Converting to int64: ", data1.view(torch.int64).dtype)
解释
该代码创建了一个名为data1的一维张量，数据类型为FloatTensor，其中包含6个元素：23、45、54、32、23和78。通过使用print()函数来显示原始张量。
接下来，在data1上应用了view()方法，将其形状改变为一个3×2的矩阵。view()方法接受两个参数，指定张量的期望形状。在本例中，张量被重新形状为3行2列。然后打印出重新形状的张量。
这段代码演示了如何在PyTorch中使用view()方法来改变张量的形状。通过改变张量的形状，我们可以操作底层数据的组织和访问方式，在各种应用中都可能有用。
要运行以上代码，需要运行下面显示的命令。
命令
python3 main.py
一旦我们运行以上命令，我们可以期望得到与下面展示的输出相同。
输出
Original Tensor data type: torch.float32
Converting to int8: torch.int8
Converting to int16: torch.int16
Converting to int32: torch.int32
Converting to 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。它提供了各种工具和函数，帮助用户操作和分析数据，包括创建和修改张量的能力。张量是多维数组，可以容纳各种数据类型，它们是PyTorch的基本构建模块。
张量的一个重要功能是能够重新调整它们的形状，可以使用view()方法来实现。这个方法允许用户在不修改底层数据的情况下改变张量的形状，使其成为一种灵活高效的数据操作工具。通过使用view()方法，用户可以轻松地改变张量的形状以适应自己的特定需求，无论是将1D张量转换为2D张量还是重新排列张量的维度。
总的来说，在PyTorch中改变张量的视图是一种有价值的机器学习和深度学习应用工具，使用户能够高效地操作和分析数据。通过PyTorch，用户可以获得一个强大而灵活的框架，用于构建和训练机器学习模型，而变换张量的能力只是其中众多可用工具之一，帮助他们实现这一目标。