PyTorch에서 view와 view_as의 차이점

2024-07-27

PyTorch에서 view와 view_as의 차이점

메모리 할당

view는 텐서의 메모리를 다시 할당하지 않습니다. 즉, 원본 텐서와 뷰 텐서는 동일한 메모리 영역을 공유합니다. 따라서 뷰 텐서의 값을 변경하면 원본 텐서의 값도 변경됩니다.

연산

view는 텐서의 크기와 모양만 변경합니다. 즉, 텐서의 값은 변경되지 않습니다.
view_as는 텐서의 크기와 모양을 변경하고, 텐서의 값을 원본 텐서와 동일하게 복사합니다.

사용 예시

view는 주로 텐서의 크기와 모양을 변경하여 특정 연산에 맞게 사용하는 경우에 사용됩니다. 예를 들어, 2차원 텐서를 1차원 텐서로 변환하여 선형 회귀 모델에 입력으로 사용할 수 있습니다.
view_as는 주로 텐서의 크기와 모양을 다른 텐서와 동일하게 맞추는 경우에 사용됩니다. 예를 들어, 두 텐서의 크기와 모양이 다르면 view_as를 사용하여 두 텐서의 크기와 모양을 동일하게 맞춘 후 연산을 수행할 수 있습니다.

코드 예시

import torch

# 1차원 텐서 생성
x = torch.arange(10)

# view를 사용하여 2차원 텐서로 변환
y = x.view(2, 5)

# view_as를 사용하여 x와 동일한 크기와 모양의 텐서 생성
z = torch.zeros_like(x)

# y의 값 변경
y[0, 0] = 100

# x의 값도 변경되었음을 확인
print(x)

# z의 값을 x와 동일하게 복사
z.view_as(x).copy_(x)

# z의 값 변경
z[0, 0] = 200

# x의 값은 변경되지 않았음을 확인
print(x)

결과

tensor([100,   1,   2,   3,   4,
         5,   6,   7,   8,   9])
tensor([100,   1,   2,   3,   4,
         5,   6,   7,   8,   9])

위 코드에서 view는 x 텐서를 2차원 텐서 y로 변환하지만, x와 y는 동일한 메모리 영역을 공유하기 때문에 y의 값을 변경하면 x의 값도 변경됩니다. 반면에 view_as는 x와 동일한 크기와 모양의 텐서 z를 생성하지만, z는 새 메모리 영역을 사용하기 때문에 z의 값을 변경해도 x의 값은 변경되지 않습니다.

예제 코드

import torch

# 1차원 텐서 생성
x = torch.arange(10)

# view를 사용하여 2차원 텐서로 변환
y = x.view(2, 5)

# view_as를 사용하여 x와 동일한 크기와 모양의 텐서 생성
z = torch.zeros_like(x)

# y의 값 변경
y[0, 0] = 100

# x의 값도 변경되었음을 확인
print(x)

# z의 값을 x와 동일하게 복사
z.view_as(x).copy_(x)

# z의 값 변경
z[0, 0] = 200

# x의 값은 변경되지 않았음을 확인
print(x)

tensor([100,   1,   2,   3,   4,
         5,   6,   7,   8,   9])
tensor([100,   1,   2,   3,   4,
         5,   6,   7,   8,   9])

설명

위 코드에서는 x라는 1차원 텐서를 생성합니다.
view 함수를 사용하여 x 텐서를 2차원 텐서 y로 변환합니다. view 함수는 텐서의 크기와 모양만 변경하고, 텐서의 값은 변경하지 않습니다.
view_as 함수를 사용하여 x 텐서와 동일한 크기와 모양의 텐서 z를 생성합니다. view_as 함수는 텐서의 크기와 모양을 변경하고, 텐서의 값을 x 텐서의 값과 동일하게 복사합니다.
y 텐서의 값을 변경하면 x 텐서의 값도 변경됩니다. 왜냐하면 x 텐서와 y 텐서는 동일한 메모리 영역을 공유하기 때문입니다.

결론

추가 예시

view 함수를 사용하여 텐서를 전치행렬로 변환할 수 있습니다.
view_as 함수를 사용하여 두 텐서의 크기와 모양을 동일하게 맞춘 후 연산을 수행할 수 있습니다.

PyTorch에서 view와 view_as 대체 방법

reshape 함수

reshape 함수는 view 함수와 유사하지만, 더 많은 기능을 제공합니다. 예를 들어, reshape 함수는 텐서의 크기와 모양을 변경하는 동시에 텐서의 stride를 변경할 수 있습니다.

import torch

# 1차원 텐서 생성
x = torch.arange(10)

# reshape 함수를 사용하여 2차원 텐서로 변환
y = x.reshape(2, 5)

# stride 확인
print(x.stride())
print(y.stride())

(10,)
(5, 2)

위 코드에서 reshape 함수는 x 텐서를 2차원 텐서 y로 변환하고, y 텐서의 stride를 변경합니다.

unsqueeze 및 squeeze 함수

unsqueeze 함수는 텐서에 새로운 차원을 추가하고, squeeze 함수는 텐서에서 차원을 제거합니다.

import torch

# 1차원 텐서 생성
x = torch.arange(10)

# unsqueeze 함수를 사용하여 2차원 텐서로 변환
y = x.unsqueeze(0)

# squeeze 함수를 사용하여 1차원 텐서로 변환
z = y.squeeze()

# 확인
print(x.shape)
print(y.shape)
print(z.shape)

(10,)
(1, 10)
(10,)

위 코드에서 unsqueeze 함수는 x 텐서에 새로운 차원을 추가하여 2차원 텐서 y를 생성하고, squeeze 함수는 y 텐서에서 차원을 제거하여 1차원 텐서 z를 생성합니다.

슬라이싱 및 인덱싱

텐서의 특정 부분을 선택적으로 사용하여 텐서의 크기와 모양을 변경할 수 있습니다.

import torch

# 2차원 텐서 생성
x = torch.arange(10).reshape(2, 5)

# 슬라이싱을 사용하여 1차원 텐서로 변환
y = x[0]

# 인덱싱을 사용하여 3차원 텐서로 변환
z = x[::2, ::2].unsqueeze(2)

# 확인
print(x.shape)
print(y.shape)
print(z.shape)

(2, 5)
(5,)
(1, 2, 1)

위 코드에서 x 텐서의 특정 부분을 선택적으로 사용하여 1차원 텐서 y와 3차원 텐서 z를 생성합니다.

torch.nn.functional.interpolate 함수

torch.nn.functional.interpolate 함수는 이미지 텐서의 크기와 모양을 변경하는데 사용됩니다.

import torch
from torch.nn import functional as F

# 이미지 텐서 생성
x = torch.rand(1, 3, 224, 224)

# interpolate 함수를 사용하여 이미지 크기 변경
y = F.interpolate(x, size=(112, 112))

# 확인
print(x.shape)
print(y.shape)