.view() 在 PyTorch 中做了什么？

view() 在不复制内存的情况下重塑张量，类似于 numpy 的 reshape()。

给定一个有 16 个元素的张量 a：

import torch
a = torch.range(1, 16)

要重塑此张量以使其成为 4 x 4 张量，请使用：

a = a.view(4, 4)

现在 a 将成为 4 x 4 张量。 请注意，重塑后的元素总数需要保持不变。将张量 a 重塑为 3 x 5 张量是不合适的。

参数-1是什么意思？

如果在任何情况下您不知道需要多少行但确定列数，则可以使用 -1 指定。 （请注意，您可以将其扩展到具有更多维度的张量。只有一个轴值可以是-1）。这是告诉库的一种方式：“给我一个包含这么多列的张量，然后计算实现这一点所需的适当行数”。

这可以在 this model definition code 中看到。在 forward 函数中的第 x = self.pool(F.relu(self.conv2(x))) 行之后，您将拥有一个 16 深度的特征图。您必须将其展平以将其提供给全连接层。因此，您告诉 PyTorch 重塑您获得的张量以具有特定的列数，并告诉它自己决定行数。

让我们做一些例子，从简单到更难。

view 方法返回一个与 self 张量具有相同数据的张量（这意味着返回的张量具有相同数量的元素），但具有不同的形状。例如： a = torch.arange(1, 17) # a 的形状是 (16,) a.view(4, 4) # 下面输出 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 [torch .FloatTensor of size 4x4] a.view(2, 2, 4) # 下面的输出 (0 ,.,.) = 1 2 3 4 5 6 7 8 (1 ,.,.) = 9 10 11 12 13 14 15 16 [torch.FloatTensor of size 2x2x4] 假设-1不是参数之一，当你将它们相乘时，结果必须等于张量中的元素个数。如果您这样做：a.view(3, 3)，它将引发 RuntimeError，因为形状 (3 x 3) 对于 16 个元素的输入无效。换句话说：3 x 3 不等于 16，而是 9。您可以使用 -1 作为传递给函数的参数之一，但只能使用一次。所发生的只是该方法将为您计算如何填充该维度。例如 a.view(2, -1, 4) 等价于 a.view(2, 2, 4)。 [16 / (2 x 4) = 2] 请注意，返回的张量共享相同的数据。如果您在“视图”中进行更改，您将更改原始张量的数据： b = a.view(4, 4) b[0, 2] = 2 a[2] == 3.0 False 现在，对于更复杂的用例。文档说每个新的视图维度必须要么是原始维度的子空间，要么只跨越 d, d + 1, ..., d + k 满足以下类似连续的条件，即对于所有 i = 0, 。 .., k - 1, stride[i] = stride[i + 1] x size[i + 1]。否则，需要在查看张量之前调用 contiguous()。例如： a = torch.rand(5, 4, 3, 2) # size (5, 4, 3, 2) a_t = a.permute(0, 2, 3, 1) # size (5, 3, 2 , 4) # 下面的注释行将引发 RuntimeError，因为一个维度 # 跨越两个连续的子空间 # a_t.view(-1, 4) # 改为：a_t.contiguous().view(-1, 4) #要查看为什么第一个不起作用而第二个起作用，# 比较 a.stride() 和 a_t.stride() a.stride() # (24, 6, 2, 1) a_t.stride() # (24 , 2, 1, 6) 请注意，对于 a_t，stride[0] != stride[1] x size[1] since 24 != 2 x 3

view() 通过将张量的元素“拉伸”或“挤压”成您指定的形状来重塑张量：

https://i.stack.imgur.com/ORqaP.png

view() 是如何工作的？

首先让我们看看引擎盖下的张量是什么：

张量及其底层存储，例如右侧张量（形状 (3,2)）可以从左侧张量计算，其中 t2 = t1.view(3,2)

在这里，您可以看到 PyTorch 通过添加 shape 和 stride 属性将底层连续内存块转换为类似矩阵的对象来生成张量：

shape 表示每个维度有多长

stride 说明在到达每个维度中的下一个元素之前，您需要在内存中执行多少步

view(dim1,dim2,...) 返回相同基础信息的视图，但重新整形为形状为 dim1 x dim2 x ... 的张量（通过修改 shape 和 stride 属性）。

请注意，这隐含地假设新维度和旧维度具有相同的乘积（即新旧张量具有相同的体积）。

火炬 -1

-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，我们示例中的 t1.view(3,2) 将等价于 t1.view(3,-1) 或 t1.view(-1,2)。

火炬.Tensor.view()

简单地说，受 numpy.ndarray.reshape() 或 numpy.reshape() 启发的 torch.Tensor.view() 会创建张量的新视图，只要新形状与原始张量的形状兼容。

让我们通过一个具体的例子来详细理解这一点。

In [43]: t = torch.arange(18) 

In [44]: t 
Out[44]: 
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17])

使用形状为 (18,) 的张量 t，可以仅为以下形状创建新的视图：

(1, 18) 或等效 (1, -1) 或 (-1, 18)
(2, 9) 或等效 >(2, -1) 或 (-1, 9)
(3, 6) 或等效的 (3, -1) 或 {9 }
(6, 3) 或等效的 (6, -1) 或 (-1, 3)
(9, 2) 或等效 (9, -1) 或 (-1, 2)
(18, 1) 或等效 (18, -1) 或 (-1, 1)

# stride of our original tensor `t`
In [53]: t.stride() 
Out[53]: (1,)

# shape (1, 18)
In [54]: t1 = t.view(1, -1)
# stride tensor `t1` with shape (1, 18)
In [55]: t1.stride() 
Out[55]: (18, 1)

# shape (2, 9)
In [56]: t2 = t.view(2, -1)
# stride of tensor `t2` with shape (2, 9)
In [57]: t2.stride()       
Out[57]: (9, 1)

# shape (3, 6)
In [59]: t3 = t.view(3, -1) 
# stride of tensor `t3` with shape (3, 6)
In [60]: t3.stride() 
Out[60]: (6, 1)

# shape (6, 3)
In [62]: t4 = t.view(6,-1)
# stride of tensor `t4` with shape (6, 3)
In [63]: t4.stride() 
Out[63]: (3, 1)

# shape (9, 2)
In [65]: t5 = t.view(9, -1) 
# stride of tensor `t5` with shape (9, 2)
In [66]: t5.stride()
Out[66]: (2, 1)

# shape (18, 1)
In [68]: t6 = t.view(18, -1)
# stride of tensor `t6` with shape (18, 1)
In [69]: t6.stride()
Out[69]: (1, 1)

In [74]: t3.shape 
Out[74]: torch.Size([3, 6])
                        |
In [75]: t3.stride()    |
Out[75]: (6, 1)         |
          |_____________|

In [76]: t3 
Out[76]: 
tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11],
        [12, 13, 14, 15, 16, 17]])