SQL语言中所说的视图具体是啥意思？他与基本表，索引有何关系？举例说明

Posted 2023-05-03

视图本身并不是真正的表，只是存储了一个查询的关系。不知道你用过连接查询没有，可以联合几张表，通过一定的关系抽取几张表中需要的字段来组成一个新的表。而每次联合查询都要清楚的描述这几张表的关系，比如你程序里面多个地方都要用这种逻辑关系来组织数据的话就比较麻烦，所以就诞生了视图，视图可以把这种关系存储在数据库中，如此一来就好比多出了一个新的表，但实质上并没有多占用数据库空间，仅仅是利用几张表的关系来生成一个逻辑上的表。但是其操作同真实的表完全一样，你同样可以插入，修改，检出数据，视图会根据设置好的逻辑关系自动的将数据存储到真实的表中。 视图好像不存在索引，他本身只是一个虚拟的表 参考技术A --视图：对数据库表中数据的引用组成的逻辑表
create view Test
as
select stuinfo.stuNo,stuInfo.stuName,stuinfo.stuGender,W_Exam,L_Exam from stuInfo inner join
examInfo on
stuInfo.stuNo = ExamInfo.stuNo
go

-1 在 pytorch 视图中是啥意思？

【中文标题】-1 在 pytorch 视图中是啥意思？

【英文标题】：What does -1 mean in pytorch view?-1 在 pytorch 视图中是什么意思？

【发布时间】：2018-11-20 09:13:39

【问题描述】：

正如问题所说，-1 在 pytorch view 中做了什么？

>>> a = torch.arange(1, 17)
>>> a
tensor([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.,
         11.,  12.,  13.,  14.,  15.,  16.])

>>> a.view(1,-1)
tensor([[  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.,
          11.,  12.,  13.,  14.,  15.,  16.]])

>>> a.view(-1,1)
tensor([[  1.],
        [  2.],
        [  3.],
        [  4.],
        [  5.],
        [  6.],
        [  7.],
        [  8.],
        [  9.],
        [ 10.],
        [ 11.],
        [ 12.],
        [ 13.],
        [ 14.],
        [ 15.],
        [ 16.]])

它 (-1) 会生成额外的维度吗？ 它的行为是否与 numpy reshape -1 相同？

【问题讨论】：

据我所知（我不是专业人士..），给定的维度 -1 将适应其他维度。所以a.view(-1,1) 将产生一个维度为17x1 的向量，因为有17 个值 - 所以v.view(1,-1) 将产生一个1x17 向量......

【参考方案1】：

是的，它的行为类似于numpy.reshape() 中的-1，即会推断此维度的实际值，以便视图中的元素数与原始元素数相匹配。

例如：

import torch

x = torch.arange(6)

print(x.view(3, -1))      # inferred size will be 2 as 6 / 3 = 2
# tensor([[ 0.,  1.],
#         [ 2.,  3.],
#         [ 4.,  5.]])

print(x.view(-1, 6))      # inferred size will be 1 as 6 / 6 = 1
# tensor([[ 0.,  1.,  2.,  3.,  4.,  5.]])

print(x.view(1, -1, 2))   # inferred size will be 3 as 6 / (1 * 2) = 3
# tensor([[[ 0.,  1.],
#          [ 2.,  3.],
#          [ 4.,  5.]]])

# print(x.view(-1, 5))    # throw error as there's no int N so that 5 * N = 6
# RuntimeError: invalid argument 2: size '[-1 x 5]' is invalid for input with 6 elements

print(x.view(-1, -1, 3))  # throw error as only one dimension can be inferred
# RuntimeError: invalid argument 1: only one dimension can be inferred

【讨论】：

如果我们自己有 -1 怎么办？例如我面前有这个：correct[:k].view(-1)。在这种特殊情况下，这有什么作用？

@CharlieParker：这将使张量变平（类似于torch.flatten(correct)），即返回一个包含所有元素的单一维度的张量。例如，在我的答案中的命令之后运行 x.view(-1) 将返回 tensor([0., 1., 2., 3., 4., 5.])，即一个尺寸为 6 的单维张量。

【参考方案2】：

我喜欢本杰明给出的答案https://***.com/a/50793899/1601580

是的，它的行为类似于 numpy.reshape() 中的 -1，即将推断此维度的实际值，以便视图中的元素数与原始元素数匹配。

但我认为在使用单个 -1 即 tensor.view(-1) 调用它时，可能对您（或至少对我而言不是）不直观的奇怪案例边缘情况。 我的猜测是它的工作方式与往常完全相同，只是因为您提供一个数字来查看它假设您想要一个维度。如果您有 tensor.view(-1, Dnew) 它会产生一个张量两个维度/索引，但会根据张量的原始维度确保第一个维度的大小正确。假设你有(D1, D2)，你有Dnew=D1*D2，那么新维度将为1。

对于您可以运行的带有代码的真实示例：

import torch

x = torch.randn(1, 5)
x = x.view(-1)
print(x.size())

x = torch.randn(2, 4)
x = x.view(-1, 8)
print(x.size())

x = torch.randn(2, 4)
x = x.view(-1)
print(x.size())

x = torch.randn(2, 4, 3)
x = x.view(-1)
print(x.size())

输出：

torch.Size([5])
torch.Size([1, 8])
torch.Size([8])
torch.Size([24])

---

历史/背景

我觉得是一个很好的例子（common case early on in pytorch beforeflatten 层是official added这个通用代码）：

class Flatten(nn.Module):
    def forward(self, input):
        # input.size(0) usually denotes the batch size so we want to keep that
        return input.view(input.size(0), -1)

用于顺序。在这个视图中，x.view(-1) 是一个奇怪的扁平层，但缺少挤压（即添加维度 1）。添加或删除此压缩通常对于代码实际运行很重要。

【参考方案3】：

我猜这类似于np.reshape:

新形状应与原始形状兼容。如果是整数，则结果将是该长度的一维数组。一个形状维度可以是-1。在这种情况下，值是从数组的长度和剩余维度推断出来的。

如果您有a = torch.arange(1, 18)，您可以通过多种方式查看它，例如a.view(-1,6)、a.view(-1,9)、a.view(3,-1) 等。

【讨论】：

如果我们自己有 -1 怎么办？例如我面前有这个：correct[:k].view(-1)。在这种特殊情况下会做什么？

【参考方案4】：

From the PyTorch documentation：

>>> x = torch.randn(4, 4)
>>> x.size()
torch.Size([4, 4])
>>> y = x.view(16)
>>> y.size()
torch.Size([16])
>>> z = x.view(-1, 8)  # the size -1 is inferred from other dimensions
>>> z.size()
torch.Size([2, 8])

【讨论】：

如果我们自己有 -1 怎么办？例如我面前有这个：correct[:k].view(-1)。在这种特殊情况下，这有什么作用？

【参考方案5】：

-1 推断为 2，例如，如果你有

>>> a = torch.rand(4,4)
>>> a.size()
torch.size([4,4])
>>> y = x.view(16)
>>> y.size()
torch.size([16])
>>> z = x.view(-1,8) # -1 is generally inferred as 2  i.e (2,8)
>>> z.size()
torch.size([2,8])

【讨论】：

如果我们自己有 -1 怎么办？例如我面前有这个：correct[:k].view(-1)。在这种特殊情况下会做什么？

【参考方案6】：

-1 是 PyTorch 的别名，用于“在其他维度都已指定的情况下推断此维度”（即原始产品与新产品的商）。这是取自numpy.reshape() 的约定。

因此示例中的t.view(1,17) 将等效于t.view(1,-1) 或t.view(-1,17)。