调整 PyTorch 张量的大小

Question

我目前正在使用 tensor.resize() 函数将张量调整为新形状t = t.resize(1, 2, 3) 。

这给了我一个弃用警告：

不推荐使用非就地调整大小

因此，我想切换到tensor.resize_()函数，这似乎是适当的就地替换。 然而，这给我留下了一个

无法调整需要 grad 的变量的大小

错误。 我可以回到

from torch.autograd._functions import Resize
Resize.apply(t, (1, 2, 3))

这就是 tensor.resize() 为了避免弃用警告所做的。 这对我来说似乎不是一个合适的解决方案，而是一个黑客。 在这种情况下，如何正确使用tensor.resize_() ？

Answer 1

您可以选择使用tensor.reshape(new_shape)或torch.reshape(tensor, new_shape)如下所示：

# a `Variable` tensor
In [15]: ten = torch.randn(6, requires_grad=True)

# this would throw RuntimeError error
In [16]: ten.resize_(2, 3)
---------------------------------------------------------------------------
RuntimeError                              Traceback (most recent call last)
<ipython-input-16-094491c46baa> in <module>()
----> 1 ten.resize_(2, 3)

RuntimeError: cannot resize variables that require grad

---

可以通过使用tensor.reshape(new_shape)解决或避免上述RuntimeError

In [17]: ten.reshape(2, 3)
Out[17]: 
tensor([[-0.2185, -0.6335, -0.0041],
        [-1.0147, -1.6359,  0.6965]])

# yet another way of changing tensor shape
In [18]: torch.reshape(ten, (2, 3))
Out[18]: 
tensor([[-0.2185, -0.6335, -0.0041],
        [-1.0147, -1.6359,  0.6965]])

Answer 2

请你试试这样的：

import torch
x = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(":::",x.resize_(2, 2))
print("::::",x.resize_(3, 3))

Answer 3

如果您真的不想更改其数据t = t.contiguous().view(1, 2, 3)只需使用t = t.contiguous().view(1, 2, 3) 。

如果不是这种情况，就地resize_操作将破坏t的梯度计算图。
如果对您来说无关紧要，只需使用t = t.data.resize_(1,2,3) 。