相当于numpy中resize（）的功能，但是用法可能不太一样。
我的理解是：
把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。
比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。
比如，
|
1
2
3
4
|
a=torch.Tensor([[[1,2,3],[4,5,6]]])
b=torch.Tensor([1,2,3,4,5,6])
print(a.view(1,6))
print(b.view(1,6))
|
得到的结果都是
|
1
|
tensor([[1., 2., 3., 4., 5., 6.]])
|
再看一个例子：
|
1
2
|
a=torch.Tensor([[[1,2,3],[4,5,6]]])
print(a.view(3,2))
|
将会得到：
|
1
2
3
|
tensor([[1., 2.],
[3., 4.],
[5., 6.]])
|
相当于就是从1，2，3，4，5，6顺序的拿数组来填充需要的形状。但是如果您想得到如下的结果：
|
1
2
3
|
tensor([[1., 4.],
[2., 5.],
[3., 6.]])
|
就需要使用另一个函数了：permute（）。用法参见我的另一篇博客：PyTorch中permute的用法
另外，参数不可为空。参数中的-1就代表这个位置由其他位置的数字来推断，只要在不致歧义的情况的下，view参数就可以推断出来，也就是人可以推断出形状的情况下，view函数也可以推断出来。
比如a tensor的数据个数是6个，如果view（1，-1），我们就可以根据tensor的元素个数推断出-1代表6。
而如果是view（-1，-1，2），人不知道怎么推断，机器也不知道。
还有一种情况是人可以推断出来，但是机器推断不出来的：view（-1，-1，6），人可以知道-1都代表1，但是机器不允许同时有两个负1。
如果没有-1，那么所有参数的乘积就要和tensor中元素的总个数一致了，否则就会出现错误。
补充：pytorch中x.view()和permute用法
pytorch中x.view()用法
在pytorch中经常会看到x.view()，它表示将Tensor的维度转变为view指定的维度，有点类似于resize函数
|
1
2
3
4
5
6
7
|
b=torch.Tensor([[[[1,2,3],[4,5,6],[7,8,9]],[[1,2,3],[4,5,6],[7,8,9]]]])
print(b.size())
(1, 2, 3, 3)
print(b.view(b.size(0),-1))
tensor([[1., 2., 3., 4., 5., 6., 7., 8., 9., 1., 2., 3., 4., 5., 6., 7., 8., 9.]])
print(b.view(b.size(0),-1).size())
(1, 18)
|
b.size(0)表示b中0维度==1，-1是按照原数据自动分配的列数。
|
1
2
3
4
5
6
7
8
9
10
11
12
|
a=torch.Tensor([[[1,2,3],[4,5,6]]])
print(a.size())
(1, 2, 3)
print(a.view(6,-1))
tensor([[1.],
[2.],
[3.],
[4.],
[5.],
[6.]])
print(a.view(6,-1).size())
(6, 1)
|
将a转变成6行1列
|
1
2
|
print(a.view(-1,6).size())
(1, 6)
|
或者将a转变成1行6列
在程序里还经常见到view函数后面跟着permute()函数，这个函数是做维度换位的
|
1
2
3
4
5
6
7
8
9
|
print(a.view(-1,6).permute(1,0))
tensor([[1.],
[2.],
[3.],
[4.],
[5.],
[6.]])
print(a.view(-1,6).permute(1,0).size())
(6, 1)
|
加了permute，a就由（1,6）变成（6,1）了。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://york1996.blog.csdn.net/article/details/81949843