torch.view torch.expand

1 原始

tensor维度: [41]

torch.arange(*self.grid_conf['dbound'], dtype=torch.float)

2 torch.view

tensor维度:[41,1,1] 第2,3个维度为110单数维

torch.arange(*self.grid_conf['dbound'], dtype=torch.float).view(-1, 1, 1)

知识点：
①view(new_shape)将张量修改为指定形状，但要保持新张量和原张量在数量上一致。
②view中一个参数定为-1，代表自动调整这个维度上的元素个数，以保证元素的总数不变。
例如：

B,C,H,W=x.size()
# 合并HW
x=x.view(B,-1,C)或者x=x.view(B,H*W,C)

3 torch.expand

tensor维度:[41,8,22]

torch.arange(*self.grid_conf['dbound'], dtype=torch.float).view(-1, 1, 1).expand(-1, feat_H16, feat_W16)

知识点：
expand函数用于将张量中单数维的数据扩展到指定的size。

首先解释下什么叫单数维（singleton dimensions），张量在某个维度上的size为1，则称为单数维。比如zeros(2,3,4)不存在单数维，而zeros(2,1,4)在第二个维度（即维度1）上为单数维。expand函数仅仅能作用于这些单数维的维度上。

参数*sizes用于逐个指定各个维度扩展后的大小（也可以理解为拓展的次数），对于不需要或者无法（即非单数维）进行扩展的维度，对应位置可写上原始维度大小或直接写作-1。

expand函数可能导致原始张量的升维，其作用在张量前面的维度上，因此通过expand函数可将张量数据复制多份（可理解为沿着第一个batch的维度上）。

另一个值得注意的点是：expand函数并不会重新分配内存，返回结果仅仅是原始张量上的一个视图。

下面为几个简单的示例：

import torch
a = tensor([1, 0, 2])
b = a.expand(2, -1)   # 第一个维度为升维，第二个维度保持原阳
# b为   tensor([[1, 0, 2],  [1, 0, 2]])a = torch.tensor([[1], [0], [2]])
b = a.expand(-1, 2)   # 保持第一个维度，第二个维度只有一个元素，可扩展
# b为  tensor([[1, 1],
#              [0, 0],
#              [2, 2]])

不修改值，只用于计算，尽量用 expand，否则用 repeat。