x.view(a,b)及x = x.view(x.size(0), -1) 的理解说明

x.view()就是对tensor进行reshape：

我们在创建一个网络的时候，会在Foward函数内看到view的使用。
首先这里是一个简单的网络，有卷积和全连接组成。它的foward函数如下：

class NET(nn.Module):
    def __init__(self,batch_size):
        super(NET,self).__init__()
        self.conv = nn.Conv2d(outchannels=3,in_channels=64,kernel_size=3,stride=1)
        self.fc = nn.Linear(64*batch_size,10)
 
    def forward(self,x):
        x = self.conv(x)
        x = x.view(x.size(0), -1)  
        out = self.fc(x)

在CNN中卷积或者池化之后需要连接全连接层，所以需要把多维度的tensor展平成一维，x.view(x.size(0), -1)就实现的这个功能。
卷积或者池化之后的tensor的维度为(batchsize，channels，x，y)，其中x.size(0)指batchsize的值，x = x.view(x.size(0), -1)简化x = x.view(batchsize, -1)。( 通过x.view(x.size(0), -1)将tensor的结构转换为了(batchsize, channelsxy)，即将（channels，x，y）拉直，然后就可以和fc层连接了。)

示例：
x变量的本质就是一个4维向量，而在conv1层的输入的x为一个10 $\ast$ 3 $\ast$ 100 $\ast$ 100的向量，参数分别表示batchsize，RGB，100 $\ast$ 100图片大小，x经过一层层的卷积，最后10 $\ast$ 256 $\ast$ 4 $\ast$ 4向量作为第四层卷积输出。

最后使用x.view(x.shape(0),-1)将x转化成一个10行的矩阵，矩阵的每一行就是这个批量（批量大小为10）中每张图片的各个参数（即256 $\ast$ 4 $\ast$ 4），即矩阵中一行对应一张图片。

view()函数的功能根reshape类似，用来转换size大小。x = x.view(batchsize, -1)中batchsize指转换后有几行，而-1指在不告诉函数有多少列的情况下，根据原tensor数据和batchsize自动分配列数。

x.view(a,b)解析

引用自：Python函数.view(1,-1）和 .view(-1,1)有什么区别
引用自：pytorch中的X.view[-1],X.view[-1,参数],X.view[参数，-1]

x.view[-1,参数a]以及x.view[参数a,-1]语句的作用就是根据参数来调整维度

• x.view[参数，-1]：就是根据参数来自动调整列数
• x.view[-1，参数]：就是根据参数来自动调整行数
• x.view[-1]：-1本意是根据另外一个数来自动调整维度，但因为行数，列数参数都未知，最后就将所有维度数据调整为一维tensor。

x.view(1, -1)：这种形式的 .view() 操作将张量重新塑造为一个行数为 1，列数自动推断的二维张量。在推断列数时，会根据张量的总元素数量和行数来确定。如果张量原来的形状是 (a, b, c)，则 .view(1, -1) 将其转换为 (1, a * b * c) 的形状。这种操作通常用于在保持张量元素总数不变的情况下，将多维张量展平为一维张量或行向量。

x.view(-1, 1)：这种形式的 .view() 操作将张量重新塑造为一个列数为 1，行数自动推断的二维张量。在推断行数时，会根据张量的总元素数量和列数来确定。如果张量原来的形状是 (a, b, c)，则 .view(-1, 1) 将其转换为 (a * b * c, 1) 的形状。这种操作通常用于在保持张量元素总数不变的情况下，将多维张量展平为一维张量或列向量。

x.view(-1)中的-1本意是根据另外一个数来自动调整维度，但是这里只有一个维度，因此就会将x里面的所有维度数据转化成一维的，并且按先后顺序排列。

因此，.view(1, -1) 和 .view(-1, 1) 的区别在于最终张量的形状，前者得到一个行向量或一维张量，后者得到一个列向量或一维张量。