关于pytorch中view的用法

在读dcgan代码的过程中看到了一个nn.upsample的函数，于是打开函数释义看了一下，发现了一个view(1,1,2,2)的用法，不知其意，所以简单做了个试验（学习进度就是这样被落下的……）

释义中的代码为：

>>> input = torch.arange(1, 5, dtype=torch.float32).view(1, 1, 2, 2)
>>> input
tensor([[[[ 1.,  2.],
          [ 3.,  4.]]]])

首先试验一下view(a,b)，也就是括号内有两个参数的情况，这个很容易理解，就是将张量reshape为a*b的形式

>>>input=torch.arange(1,5,dtype=torch.float32)
>>>input
Out[5]: tensor([1., 2., 3., 4.])
>>>input=torch.arange(1,5,dtype=torch.float32).view(2,2)
>>>input
Out[7]: 
tensor([[1., 2.],
        [3., 4.]])

输出的结果为一个2*2的矩阵，最小组成单元为1*2的行向量

 

那我们再试一下view(a,b,c)

>>>input=torch.arange(1,5,dtype=torch.float32).view(2,2,3)
Traceback (most recent call last):
  File "D:\Anaconda\envs\pytorch\lib\site-packages\IPython\core\interactiveshell.py", line 2862, in run_code
    exec(code_obj, self.user_global_ns, self.user_ns)
  File "<ipython-input-8-961814ca6dc5>", line 1, in <module>
    input=torch.arange(1,5,dtype=torch.float32).view(2,2,3)
RuntimeError: shape '[2, 2, 3]' is invalid for input of size 4
>>>input=torch.arange(1,5,dtype=torch.float32).view(2,2,1)
>>>input
Out[10]: 
tensor([[[1.],
         [2.]],
        [[3.],
         [4.]]])

这里可以看到，view(2,2,3)报错了，理由是view中参数的乘积不等于4，也就是tensor的大小

改为view(2,2,1)时，输出的结果为4*1的矩阵，但最小组成单元为1*1的元素

 大师，我好像悟了

从左往右开始读，view(2,2,1)，一共3层

第一个数字为2，说明最外面这层是2行

第二个数字为2，说明行向量内部也是2行

第三个数字为1，说明行向量的行向量内部为1行（搁着套娃呢），也就是最里面这层就1个元素

对于view(2,2)，一共2层

第一个数字为2，说明最外面这层是2行

第二个数字为2，说明最里面这层行向量有2个元素

 那我们再大胆猜一个view(4,1,1)，一共3层

第一个数字为4，说明最外面这层是4行

第二个数字为1，说明行向量内部是1行

第三个数字为1，说明最里面这层只有一个元素

表现出来应该就是

 让我们用代码试一下

>>>input=torch.arange(1,5,dtype=torch.float32).view(4,1,1)
>>>input
Out[12]: 
tensor([[[1.]],
        [[2.]],
        [[3.]],
        [[4.]]])

 果然！！！嘿嘿嘿

那么让我们回到源代码上

>>> input = torch.arange(1, 5, dtype=torch.float32).view(1, 1, 2, 2)
>>> input
tensor([[[[ 1.,  2.],
          [ 3.,  4.]]]])

不难理解，view(1,1,2,2)的意思是一共4层：

第一个数字为1，说明最外面这层是1行

第二个数字为1，说明行向量内部是1行

第三个数字为2，说明行向量的行向量内部为2行

第四个数字为2，说明最里面这层有两个元素，然而已经没有第5层了，说明没有2个以上的行向量了，只能是1*2的形式

也就是

 

总结一下，view括号内数字的个数，代表层数，每一层的组成单元一定是行向量，即行数为1的向量

数字从左到右对应从外往内的每一层行向量的个数，最后一个数字对应的是最内层行向量的列数