我對以下代碼片段中的方法view()感到困惑，不知道這個view方法起什麽作用。
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2,2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16*5*5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16*5*5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
有困惑問題在下麵這行。
x = x.view(-1, 16*5*5)
tensor.view()方法有什麽作用？我已經在許多地方看到它的用法，但我無法理解它如何解析它的’參數。
如果我將負值作為參數提供給view()函數會發生什麽？例如，如果我調用tensor_variable.view(1, 1, -1)會怎麽樣？
請舉例說明view()功能的主要原理。
最佳解釋
view函數旨在reshape張量形狀。
假設你有一個張量
import torch
a = torch.range(1, 16)
其中a是一個張量，有16個元素，從1到16(包括在內)。如果你想重塑這個張量使其成為4 x 4張量，那麽你可以使用
a = a.view(4, 4)
現在a將是一個4 x 4張量。(注意，重塑後元素的總數需要保持不變。將張量a重新整形為3 x 5張量是不合適的)
參數-1是什麽意思？
如果你不知道你想要多少行，但確定列數，那麽你可以將行數設置為-1(你可以將它擴展到具有更多維度的張量。隻有一個軸值可以是-1)。這是告訴係統Library：給我一個具有這麽多列的張量，並計算實現這一點所需的適當行數。
這可以在您上麵給出的神經網絡代碼中看到。在前向功能中的x = self.pool(F.relu(self.conv2(x)))行之後，您將擁有一個16深度的特征圖。您必須將其展平以將其提供給全連接的圖層。所以告訴pytorch重新塑造你獲得的張量，使其具有特定數量的列並讓它自己決定行數。
從numpy和pytorch之間的相似性來看，view類似於numpy的reshape函數。
補充解釋
讓我們舉一些例子，從簡到難。
-
view方法返回張量與self張量相同的數據(這意味著返回的張量具有相同數量的元素)，但具有不同的形狀。例如：a = torch.arange(1, 17) # a's shape is (16,) a.view(4, 4) # output below 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) # output below (0 ,.,.) = 1 2 3 4 5 6 7 8 (1 ,.,.) = 9 10 11 12 13 14 15 16 [torch.FloatTensor of size 2x2x4] -
假設
-1不是其中一個參數，當將它們相乘時，結果必須等於張量中的元素數。如果您執行：a.view(3, 3)，它將引發RuntimeError，因為對於具有16個元素的輸入，形狀(3 x 3)無效。換句話說：3 x 3不等於16但是9。 -
您可以使用
-1作為傳遞給函數的參數之一，但隻能使用一次。所發生的事情是該方法將自動計算維度。例如，a.view(2, -1, 4)等同於a.view(2, 2, 4)。 [16 /(2 x 4)= 2] -
特別請注意，返回的張量共享相同的數據。如果您相對”view”中進行更改，則需要更改原始張量數據：
b = a.view(4, 4) b[0, 2] = 2 a[2] == 3.0 False -
現在，對於更複雜的用例。文檔說每個新的視圖維度必須是原始維度的子空間，或者隻有跨度d，d + 1，…，d + k滿足以下contiguity-like條件，對於所有i = 0，… ，k – 1，stride [i] = stride [i + 1] x size [i + 1]。否則，需要在可以查看張量之前調用
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) # The commented line below will raise a RuntimeError, because one dimension # spans across two contiguous subspaces # a_t.view(-1, 4) # instead do: a_t.contiguous().view(-1, 4) # To see why the first one does not work and the second does, # compare a.stride() and a_t.stride() a.stride() # (24, 6, 2, 1) a_t.stride() # (24, 2, 1, 6)請注意，對於
a_t，stride [0]!= stride [1] x size [1]，因為24!= 2 x 3
