在pytorch的CNN代碼中經(jīng)常會看到
首先，在pytorch中的view()函數(shù)就是用來改變tensor的形狀的，例如將2行3列的tensor變?yōu)?行6列，其中-1表示會自適應的調(diào)整剩余的維度
a = torch.Tensor(2,3)
print(a)
# tensor([[0.0000, 0.0000, 0.0000],
# [0.0000, 0.0000, 0.0000]])
print(a.view(1,-1))
# tensor([[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]])
在CNN中卷積或者池化之后需要連接全連接層，所以需要把多維度的tensor展平成一維，x.view(x.size(0), -1)就實現(xiàn)的這個功能
def forward(self,x):
x=self.pre(x)
x=self.layer1(x)
x=self.layer2(x)
x=self.layer3(x)
x=self.layer4(x)
x=F.avg_pool2d(x,7)
x=x.view(x.size(0),-1)
return self.fc(x)
卷積或者池化之后的tensor的維度為(batchsize，channels，x，y)，其中x.size(0)指batchsize的值，最后通過x.view(x.size(0), -1)將tensor的結(jié)構(gòu)轉(zhuǎn)換為了(batchsize, channels*x*y)，即將（channels，x，y）拉直，然后就可以和fc層連接了
補充：pytorch中view的用法(重構(gòu)張量)
view在pytorch中是用來改變張量的shape的，簡單又好用。
pytorch中view的用法通常是直接在張量名后用.view調(diào)用，然后放入自己想要的shape。如
Example:
1. 直接用法：
>>> x = torch.randn(4, 4)
>>> x.size()
torch.Size([4, 4])
>>> y = x.view(16)
>>> y.size()
torch.Size([16])
2. 強調(diào)某一維度的尺寸：
>>> z = x.view(-1, 8) # the size -1 is inferred from other dimensions
>>> z.size()
torch.Size([2, 8])
3. 拉直張量：
(直接填-1表示拉直， 等價于tensor_name.flatten())
>>> y = x.view(-1)
>>> y.size()
torch.Size([16])
4. 做維度變換時不改變內(nèi)存排列
>>> a = torch.randn(1, 2, 3, 4)
>>> a.size()
torch.Size([1, 2, 3, 4])
>>> b = a.transpose(1, 2) # Swaps 2nd and 3rd dimension
>>> b.size()
torch.Size([1, 3, 2, 4])
>>> c = a.view(1, 3, 2, 4) # Does not change tensor layout in memory
>>> c.size()
torch.Size([1, 3, 2, 4])
>>> torch.equal(b, c)
False
注意最后的False，在張量b和c是不等價的。從這里我們可以看得出來，view函數(shù)如其名，只改變“看起來”的樣子，不會改變張量在內(nèi)存中的排列。
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- Pytorch之view及view_as使用詳解
- pytorch中torch.max和Tensor.view函數(shù)用法詳解
- 基于PyTorch中view的用法說明
