[BiLSTM] - View size is not compatible with input tensor's size and stride

[carlos-lima]

Hi,

I hope you are doing well.

I was trying to use BiLSTM using UoC database, using the command line below:

python train.py --model_name BiLSTM1d --data_name UoC --data_dir ./Data/Mechanical-datasets --normlizetype mean-std --processing_type O_A --checkpoint_dir ./Benchmark/Benchmark_Results/Order_split/UoC/RNN_mean-std_augmentation

and I have bumped into this runtime error:

RuntimeError: view size is not compatible with input tensor's size and stride (at least one dimension spans across two contiguous subspaces). Use .reshape(...) instead.

I replaced the line 37 bilstm_out = bilstm_out.view(bilstm_out.size(0), -1) on files BiLSTM1d.py and BiLSTM2d.py for this one bilstm_out = bilstm_out.contiguous().view(bilstm_out.size(0), -1) adding contiguous() and it has worked fine to me.

I don't know if it is the right approach, but I hope it will help.

Thanks in advance,

Carlos Lima

[river2022ok]

contiguous

错误信息 RuntimeError: view size is not compatible with input tensor's size and stride (at least one dimension spans across two contiguous subspaces). Use .reshape(...) instead. 指出你尝试使用 view 方法来改变张量的形状，但是由于输入张量的内存布局（stride）与你想要的新形状不兼容，因此操作失败了。view 方法要求输入张量在内存中是连续的，如果不连续，你需要使用 reshape 方法。

在 PyTorch 中，view 方法用于改变张量的形状，但是它要求原始张量在内存中是连续的。如果张量不连续，view 方法会失败。相反，reshape 方法可以处理不连续的张量，并返回一个具有新形状的张量，即使原始张量在内存中不是连续的。

解决方法
使用 reshape 替代 view：

修改代码，使用 reshape 而不是 view，因为 reshape 可以处理非连续的张量。
python
bilstm_out = bilstm_out.reshape(bilstm_out.size(0), -1)
确保张量在内存中是连续的：

如果你需要使用 view 方法，可以先调用 contiguous 方法来确保张量在内存中是连续的。
python
bilstm_out = bilstm_out.contiguous().view(bilstm_out.size(0), -1)
示例代码
假设你有一个双向长短期记忆网络（BiLSTM）的输出，你想要将其展平以便进行进一步的处理：

python
import torch
import torch.nn as nn

假设 bilstm_out 是 BiLSTM 的输出

bilstm_out = nn.functional.bilstm(input, hidden, cell, num_layers, batch_first=True)[0]

使用 reshape 来改变张量的形状

bilstm_out = bilstm_out.reshape(bilstm_out.size(0), -1)

或者先调用 contiguous 然后使用 view

bilstm_out = bilstm_out.contiguous().view(bilstm_out.size(0), -1)
在这个例子中，bilstm_out 是 BiLSTM 层的输出，我们想要将其展平以便进行下一步的处理。使用 reshape 方法可以确保即使原始张量在内存中不是连续的，也能够成功地改变形状。

总之，当你遇到这个错误时，应该检查你的张量是否在内存中是连续的，并根据需要选择使用 reshape 或 view 方法。通常，reshape 是更安全的选择，因为它不要求张量在内存中是连续的。

so,reshape was ok,too, I tested it