在pytorch的CNN代码中经常会看到
|
1
|
x.view(x.size(0), -1) |
首先，在pytorch中的view()函数就是用来改变tensor的形状的，例如将2行3列的tensor变为1行6列，其中-1表示会自适应的调整剩余的维度
|
1
2
3
4
5
6
7
|
a = torch.Tensor(2,3)print(a)# tensor([[0.0000, 0.0000, 0.0000],# [0.0000, 0.0000, 0.0000]]) print(a.view(1,-1))# tensor([[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]]) |
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
|
1
2
3
4
5
6
7
8
9
10
|
def forward(self,x): x=self.pre(x) x=self.layer1(x) x=self.layer2(x) x=self.layer3(x) x=self.layer4(x) x=F.avg_pool2d(x,7) x=x.view(x.size(0),-1) return self.fc(x) |
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，最后通过x.view(x.size(0), -1)将tensor的结构转换为了(batchsize, channels*x*y)，即将（channels，x，y）拉直，然后就可以和fc层连接了
补充：pytorch中view的用法(重构张量)
view在pytorch中是用来改变张量的shape的，简单又好用。
pytorch中view的用法通常是直接在张量名后用.view调用，然后放入自己想要的shape。如
|
1
|
tensor_name.view(shape) |
Example:
1. 直接用法：
|
1
2
3
4
5
6
|
>>> x = torch.randn(4, 4)>>> x.size()torch.Size([4, 4])>>> y = x.view(16)>>> y.size()torch.Size([16]) |
2. 强调某一维度的尺寸：
|
1
2
3
|
>>> z = x.view(-1, 8) # the size -1 is inferred from other dimensions>>> z.size()torch.Size([2, 8]) |
3. 拉直张量：
(直接填-1表示拉直， 等价于tensor_name.flatten())
|
1
2
3
|
>>> y = x.view(-1)>>> y.size()torch.Size([16]) |
4. 做维度变换时不改变内存排列
|
1
2
3
4
5
6
7
8
9
10
11
|
>>> a = torch.randn(1, 2, 3, 4)>>> a.size()torch.Size([1, 2, 3, 4])>>> b = a.transpose(1, 2) # Swaps 2nd and 3rd dimension>>> b.size()torch.Size([1, 3, 2, 4])>>> c = a.view(1, 3, 2, 4) # Does not change tensor layout in memory>>> c.size()torch.Size([1, 3, 2, 4])>>> torch.equal(b, c)False |
注意最后的False，在张量b和c是不等价的。从这里我们可以看得出来，view函数如其名，只改变“看起来”的样子，不会改变张量在内存中的排列。
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://blog.csdn.net/TYUT_xiaoming/article/details/100799527
