PyTorch中的“视图”方法如何工作？

我对方法感到困惑 view()对以下代码片段中。

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()

我的困惑是关于以下几行。

x = x.view(-1, 16*5*5)

是什么 tensor.view()函数有作用？我已经在很多地方看到了它的用法，但是我不明白它是如何解释其参数的。

如果我给负值作为参数，会发生什么？ view()函数怎样？例如，如果我打电话给我tensor_variable.view(1, 1, -1)怎么办？

谁能view()用一些例子解释功能的主要原理？

视图功能旨在重塑张量。

说你有张量

import torch
a = torch.range(1, 16)

a是具有16个元素（从1到16（包括））的张量。如果要重塑该张量以使其成为4 x 4张量，则可以使用

a = a.view(4, 4)

现在a将是4 x 4张量。请注意，在重塑后，元素总数必须保持不变。重塑张a到3 x 5张量是不恰当的。

参数-1是什么意思？

如果在某些情况下您不知道要多少行，但是确定了列数，则可以将其指定为-1。（请注意，您可以将其扩展到具有更大尺寸的张量。轴值之一只能是-1）。这是一种告诉库的方法：“给我一个具有这么多列的张量，然后您就可以计算出实现此目的所需的适当行数”。

可以在上面给出的神经网络代码中看到。在x = self.pool(F.relu(self.conv2(x)))前进功能中的线之后，您将具有16深度特征图。您必须将其展平以将其分配给完全连接的层。因此，您告诉pytorch重塑所获得的张量，使其具有特定的列数，并告诉它自己决定行数。

在numpy和pytorch之间绘制相似之处， view类似于numpy的重塑功能。

让我们做一些例子，从简单到困难。

1. 该view方法返回的张量具有与张量相同的数据self（这意味着返回的张量具有相同数量的元素），但形状不同。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]

2. 假设这-1不是参数之一，则将它们相乘时，结果必须等于张量中的元素数量。如果您执行以下操作：a.view(3, 3)，它将引发一个RuntimeError原因，因为形状（3 x 3）不适用于具有16个元素的输入。换句话说：3 x 3不等于16而是9。

3. 您可以将其-1用作传递给函数的参数之一，但只能使用一次。所有发生的事情是该方法将为您完成如何填充该维​​度的数学运算。例如a.view(2, -1, 4)等于a.view(2, 2, 4)。[16 /（2 x 4）= 2]

4. 请注意，返回的张量共享相同的数据。如果您在“视图”中进行了更改，那么您正在更改原始张量的数据：

   b = a.view(4, 4)
   b[0, 2] = 2
   a[2] == 3.0
   False

5. 现在，对于更复杂的用例。该文档说，每个新视图维必须是原始维的子空间，或者只能是跨度d，d + 1，...，d + k，它们满足以下所有i = 0，...的连续性条件。 ..，k-1，stride [i] = stride [i +1] x size [i +1]。否则，contiguous()需要先调用才能查看张量。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)

   请注意，对于a_t，因为24！= 2 x 3，所以stride [0]！= stride [1] x size [1]

torch.Tensor.view()

简而言之，torch.Tensor.view()受numpy.ndarray.reshape()或启发numpy.reshape()，创建了一个新视图，只要新形状与原始张量的形状兼容张量。

让我们通过一个具体的例子来详细了解这一点。

In [43]: t = torch.arange(18) 

In [44]: t 
Out[44]: 
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17])

有了这个张量t的形状(18,)，新观点可以只为以下形状创建：

(1, 18)或等效 (1, -1)或 或等效 或 或等效 或 或等效 或 或等效 或或等效 或(-1, 18)
(2, 9)(2, -1)(-1, 9)
(3, 6)(3, -1)(-1, 6)
(6, 3)(6, -1)(-1, 3)
(9, 2)(9, -1)(-1, 2)
(18, 1)(18, -1)(-1, 1)

正如我们可以从已经上述形状元组观察，形状元组（例如中的元素的乘法运算2*9，3*6等）必须始终等于在原始张量元素的总数（18在我们的例子）。

要观察的另一件事是，我们-1在每个形状元组的一个位置中使用了a 。通过使用a -1，我们懒于自己进行计算，而是将任务委托给PyTorch来在形状创建新视图时对该形状进行该值的计算。需要注意的重要一件事是，我们只能-1在形状元组中使用单个。其余值应由我们明确提供。其他PyTorch会抱怨RuntimeError：

RuntimeError：只能推断一个维度

因此，使用上述所有形状，PyTorch将始终返回原始张量的新视图t。这基本上意味着，它只是针对所请求的每个新视图更改张量的步幅信息。

下面是一些示例，说明每个新视图如何改变张量的步幅。

# stride of our original tensor `t`
In [53]: t.stride() 
Out[53]: (1,)

现在，我们将看到新视图的大步前进：

# shape (1, 18)
In [54]: t1 = t.view(1, -1)
# stride tensor `t1` with shape (1, 18)
In [55]: t1.stride() 
Out[55]: (18, 1)

# shape (2, 9)
In [56]: t2 = t.view(2, -1)
# stride of tensor `t2` with shape (2, 9)
In [57]: t2.stride()       
Out[57]: (9, 1)

# shape (3, 6)
In [59]: t3 = t.view(3, -1) 
# stride of tensor `t3` with shape (3, 6)
In [60]: t3.stride() 
Out[60]: (6, 1)

# shape (6, 3)
In [62]: t4 = t.view(6,-1)
# stride of tensor `t4` with shape (6, 3)
In [63]: t4.stride() 
Out[63]: (3, 1)

# shape (9, 2)
In [65]: t5 = t.view(9, -1) 
# stride of tensor `t5` with shape (9, 2)
In [66]: t5.stride()
Out[66]: (2, 1)

# shape (18, 1)
In [68]: t6 = t.view(18, -1)
# stride of tensor `t6` with shape (18, 1)
In [69]: t6.stride()
Out[69]: (1, 1)

这就是view()功能的魔力。它只是改变（原始）张量的步幅为每个新的观点，只要新的形状视图是与原来的形状相容。

从跨步元组可能会观察到的另一件有趣的事情是，在形状元组的第0 ^个位置的元素的值等于在形状元组的^第一个位置的元素的值。

In [74]: t3.shape 
Out[74]: torch.Size([3, 6])
                        |
In [75]: t3.stride()    |
Out[75]: (6, 1)         |
          |_____________|

这是因为：

In [76]: t3 
Out[76]: 
tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11],
        [12, 13, 14, 15, 16, 17]])

步幅(6, 1)说，从一个元素到下一个元素沿0 ^个维度，我们要跳或采取6个步骤。（即从去0到6，人们必须采取6个步骤。）但是，从一个元素去的1个一个元素^ST层面，我们只需要只差一步（例如，用于从去2到3）。

因此，步幅信息是如何从存储器访问元素以执行计算的核心。

torch.reshape（）

此函数将返回一个视图，并且与使用完全相同torch.Tensor.view()只要新形状与原始张量的形状兼容，与之。否则，它将返回一个副本。

但是，注意事项torch.reshape()警告：

连续的输入和具有兼容步幅的输入可以在不复制的情况下进行重塑，但其中一个不应依赖于复制与查看行为。

我发现它x.view(-1, 16 * 5 * 5)等效于x.flatten(1)，其中参数1指示扁平化过程从第一维开始（而不是扁平化“样本”维），如您所见，后者的用法在语义上更加清晰并且易于使用，因此我喜欢flatten()。

参数-1是什么意思？

您可以读取-1为动态数量的参数或“任何内容”。正因为如此，只能有一个参数-1在view()。

如果您要求，x.view(-1,1)将输出张量形状，[anything, 1]具体取决于中的元素数量x。例如：

import torch
x = torch.tensor([1, 2, 3, 4])
print(x,x.shape)
print("...")
print(x.view(-1,1), x.view(-1,1).shape)
print(x.view(1,-1), x.view(1,-1).shape)

将输出：

tensor([1, 2, 3, 4]) torch.Size([4])
...
tensor([[1],
        [2],
        [3],
        [4]]) torch.Size([4, 1])
tensor([[1, 2, 3, 4]]) torch.Size([1, 4])

weights.reshape(a, b) 将返回一个新的张量，该张量的数据与权重为（a，b）的权重相同，因为它会将数据复制到内存的另一部分。

weights.resize_(a, b)返回具有不同形状的相同张量。但是，如果新形状导致的元素数量少于原始张量，则某些元素将从张量中删除（但不会从内存中删除）。如果新形状导致的元素数量多于原始张量，则新元素将在内存中未初始化。

weights.view(a, b) 将返回与具有权重（a，b）的权重相同的数据的新张量

我真的很喜欢@Jadiel de Armas的例子。

我想对.view（...）的元素排序方式有一点了解

• 对于形状为（a，b，c）的张量，其元素的顺序由编号系统确定：其中第一个数字为 数字，第二个数字为b数字，第三个数字为c数字。
• .view（...）返回的新Tensor中的元素映射将保留原始Tensor的此顺序。

让我们尝试通过以下示例了解视图：

    a=torch.range(1,16)

print(a)

    tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12., 13., 14.,
            15., 16.])

print(a.view(-1,2))

    tensor([[ 1.,  2.],
            [ 3.,  4.],
            [ 5.,  6.],
            [ 7.,  8.],
            [ 9., 10.],
            [11., 12.],
            [13., 14.],
            [15., 16.]])

print(a.view(2,-1,4))   #3d tensor

    tensor([[[ 1.,  2.,  3.,  4.],
             [ 5.,  6.,  7.,  8.]],

            [[ 9., 10., 11., 12.],
             [13., 14., 15., 16.]]])
print(a.view(2,-1,2))

    tensor([[[ 1.,  2.],
             [ 3.,  4.],
             [ 5.,  6.],
             [ 7.,  8.]],

            [[ 9., 10.],
             [11., 12.],
             [13., 14.],
             [15., 16.]]])

print(a.view(4,-1,2))

    tensor([[[ 1.,  2.],
             [ 3.,  4.]],

            [[ 5.,  6.],
             [ 7.,  8.]],

            [[ 9., 10.],
             [11., 12.]],

            [[13., 14.],
             [15., 16.]]])

如果我们知道y，z的值，则将-1作为参数值是计算x值的一种简便方法；在3d的情况下，反之亦然；对于2d，它又是计算x值的一种简便方法知道y的值，反之亦然。