关于x.view()的理解

x.view()就是对tensor进行reshape：

import torch
v1 = torch.range(1, 4)
v2 = v1.view(2, 2)
print(v2)
v3 = v2.view(4,-1)
print(v3)

 

我们在创建一个网络的时候，会在Foward函数内看到view的使用

首先这里是一个简单的网络，有4层卷积和一层全连接组成。它的foward函数如下：

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = self.conv3(x)
        x = self.conv4(x)
        temp = x.view(x.shape[0], -1)
        output = self.output(temp)
        return output

一开始我对于这句话不是很理解：temp = x.view(x.shape[0], -1)

只知道他是将向量铺平，便于传入全连接层，但是具体怎么操作的就不清楚。

输出一下x.shape看看x具体是什么东西： 

 

 发现x就是一个四维变量，这才知道x变量的本质就是一个4维向量，而在conv1层的输入的x为一个10*3*100*100的向量，参数分别表示batchsize，RGB，100*100图片大小，x经过一层层的卷积，最后10*256*4*4向量作为第四层卷积输出。

最后使用x.view(x.shape(0),-1)将x转化成一个10行的矩阵，矩阵的每一行就是这个批量（批量大小为10）中每张图片的各个参数（即256*4*4），即矩阵中一行对应一张图片。