Pytorch 关于张量部分的看法

我有一个多维张量，让我们以这个简单的张量为例：

out = torch.Tensor(3, 4, 5)

我必须得到这个张量

的一部分/子部分[：，0，：]

，然后应用方法

视图（-1）

，但这是不可能的：

 out[:,0,:].view(-1)

RuntimeError:无效参数2:视图大小与输入张量的大小和跨距不兼容（至少有一个维度跨越两个相邻的子空间）。在.view（）之前调用.continuous（）。在../aten/src/TH/generic/THTensor.cpp:203

解决方案是克隆子部分：

 out[:,0,:].clone().view(-1)

---

有比克隆更好/更快的解决方案吗？

您所做的一切都会很好。也就是说，一种更具可移植性的方法是使用它，它将在可能时返回一个视图，但在必要时将创建一个连续副本。这样，它将以最快的速度完成任务。在您的情况下，必须复制数据，但如果始终使用

重塑

，则会出现无法生成副本的情况

所以你可以用

out[:,0,:].reshape(-1)

---

明白了

这里有一个重要的问题。如果对

重塑

的输出执行就地操作，则这可能会影响原始张量，也可能不会影响原始张量，具体取决于是否返回了视图或副本

例如，假设

out

已经是连续的，那么在本例中

>>> x = out[:,0,:].reshape(-1)    # returns a copy
>>> x[0] = 10
>>> print(out[0,0,0].item() == 10)
False

>>> x = out[:,:,0].reshape(-1)     # returns a view
>>> x[0] = 10
>>> print(out[0,0,0].item() == 10)
True

x

是一个副本，因此对它的更改不会影响

out

。但在这种情况下

>>> x = out[:,0,:].reshape(-1)    # returns a copy
>>> x[0] = 10
>>> print(out[0,0,0].item() == 10)
False

>>> x = out[:,:,0].reshape(-1)     # returns a view
>>> x[0] = 10
>>> print(out[0,0,0].item() == 10)
True

x

是一个视图，因此对

x

的就地更改也将更改

out

---

备选方案

两种选择是

out[:,0,:].flatten()    # .flatten is just a special case of .reshape

及

虽然如果您想要最快的方法，我建议您使用

continuous（）.view

来反对后一种方法，因为通常情况下，它比

重塑

或

展平

更可能返回副本。这是因为即使基础数据在后续条目之间具有相同的字节数，

continuous

也会创建一个副本。因此，两者之间是有区别的

out[:,:,0].contiguous().view(-1)       # creates a copy

及

其中，

continuous（）.view

方法强制复制，因为

out[：，：，0]

不是连续的，但是

展平

/

重塑

将创建一个视图，因为基础数据是均匀间隔的

例如，有时

continuous（）

不会创建副本

out[0,:,:].contiguous().view(-1)       # creates a view b/c out[0,:,:] already is contiguous

及

因为

out[0，：，：：]

已经是连续的，所以它们都可以在不复制的情况下生成原始数据的视图

---

---

如果您想确保

输出

与其扁平化的对应项完全解耦，那么使用

.clone（）

的原始方法就是一个不错的选择。

非常感谢您给出了这个完整的答案。此代码在调用多个丢失函数之前使用。事实上，我这样做是为了隔离每个输出，然后将它们传递给适当的损失函数。这些函数都不能修改张量，所以我应该没问题。

out[0,:,:].flatten()                   # creates a view