torch.Tensor.resize_

Tensor.resize_(*sizes, memory_format=torch.contiguous_format) → Tensor

将 self 张量调整到指定大小。如果元素数量大于当前存储大小，则底层存储调整以适应新的元素数量。如果元素数量较小，则底层存储不变。现有元素保留，但任何新内存都是未初始化的。

警告

这是一个低级方法。将存储重新解释为 C 连续的，忽略当前的步长（除非目标大小等于当前大小，在这种情况下，张量保持不变）。对于大多数用途，您将希望使用 view() ，它检查连续性，或者使用 reshape() ，它如果需要则复制数据。要就地更改大小并使用自定义步长，请参阅 set_() 。

注意

如果 torch.use_deterministic_algorithms() 和 torch.utils.deterministic.fill_uninitialized_memory 都设置为 True ，则新元素将被初始化以防止使用结果作为操作输入时的非确定性行为。浮点数和复数值设置为 NaN，整数值设置为最大值。

参数:

• 大小（torch.Size 或 int...）- 所需的大小

• 内存格式（ torch.memory_format ，可选）- Tensor 的所需内存格式。默认： torch.contiguous_format 。注意，如果 self.size() 与 sizes 匹配，则 self 的内存格式将不受影响。

示例：

>>> x = torch.tensor([[1, 2], [3, 4], [5, 6]])
>>> x.resize_(2, 2)
tensor([[ 1,  2],
        [ 3,  4]])