PyTorch|view()，改变张量维度

在构建自己的网络时，了解数据经过每个层后的形状变化是必须的，否则，网络大概率会出现问题。PyToch张量有一个方法，叫做view(),使用这个方法，我们可以很容易的对张量的形状进行改变，从而符合网络的输入要求。

view（）的基本用法很简单，只需传入想要的形状即可，

就像这样：

import torchT1=torch.arange(0,16)print(T1)print(T1.size())
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])torch.Size([16])
a=T1.view(4,4)b=T1.view(2,8)print(a)print(a.size())
print(b)print(b.size())
tensor([[ 0,  1,  2,  3],        [ 4,  5,  6,  7],        [ 8,  9, 10, 11],        [12, 13, 14, 15]])torch.Size([4, 4])
tensor([[ 0,  1,  2,  3,  4,  5,  6,  7],        [ 8,  9, 10, 11, 12, 13, 14, 15]])torch.Size([2, 8])

当然，在看一些代码时，往往会发现view()中有参数-1。看下面几个例子​​​​​​​

c=T1.view(-1,4,4)print(c)print(c.size())tensor([[[ 0,  1,  2,  3],         [ 4,  5,  6,  7],         [ 8,  9, 10, 11],         [12, 13, 14, 15]]])torch.Size([1, 4, 4]​​​​​​​

d=T1.view(-1,8)print(d)print(d.size())tensor([[ 0,  1,  2,  3,  4,  5,  6,  7],        [ 8,  9, 10, 11, 12, 13, 14, 15]])torch.Size([2, 8])​​​​​​​

e=T1.view(8,-1)print(e)print(e.size())tensor([[ 0,  1],        [ 2,  3],        [ 4,  5],        [ 6,  7],        [ 8,  9],        [10, 11],        [12, 13],        [14, 15]])torch.Size([8, 2])

通过上述几个例子，view中一个参数定为-1，代表自动调整这个维度上的元素个数，同时保证元素的总个数不变。当然，我们也注意到了这个细节：传入几个参数，代表结果有几个维度。

对于这篇文章：张量扁平化——CNN的Flatten操作

保持batch轴不变，展平其它轴，我们采用的是flatten（）方法，这里我们用view()方法。​​​​​​​

t1=torch.rand([5,3,128,128])print(t1.size())
torch.Size([5, 3, 128, 128])​​​​​​​

t2=t1.view(5,-1)print(t2)print(t2.size())

结果符合我们的预期！