动手学深度学习-Task1，Task2

view函数

把原先tensor中的数据按照行优先的顺序排成一个一维的数组，然后按照view函数中的参数组合成其它维度的tensor。
例子

import torch 
a=torch.Tensor([[[1,2,3],[4,5,6]]])
print(a.view(2,3))
print(a.view(2,-1))

输出：
tensor([[1., 2., 3.],
[4., 5., 6.]])
tensor([[1., 2., 3.],
[4., 5., 6.]])
其中参数-1就是动态计算tensor的维度。
参考
PyTorch中view的用法

gather函数

torch.gather(input, dim, index, out=None)

Gathers values along an axis specified by dim.

For a 3-D tensor the output is specified by:

out[i][j][k] = input[index[i][j][k]][j][k]  # dim=0
out[i][j][k] = input[i][index[i][j][k]][k]  # dim=1
out[i][j][k] = input[i][j][index[i][j][k]]  # dim=2

Parameters: 

    input (Tensor) – The source tensor
    dim (int) – The axis along which to index
    index (LongTensor) – The indices of elements to gather
    out (Tensor, optional) – Destination tensor

import torch 
b = torch.Tensor([[1,2,3],[4,5,6]])
print(b)
index_1 = torch.LongTensor([[0,1],[2,0]])
index_2 = torch.LongTensor([[0,1,1],[0,0,0]])
print(torch.gather(b, dim=1, index=index_1))
print(torch.gather(b, dim=0, index=index_2))

输出：
tensor([[1., 2., 3.],
[4., 5., 6.]])
tensor([[1., 2.],
[6., 4.]])
tensor([[1., 5., 6.],
[1., 2., 3.]])

如何理解：
由于：index_1[0][0]=0
index_1[0][1]=1
index_1[1][0]=2
index_1[1][1]=0
所以第一个输出：i=0,j=0时b[i=0][index_1[0][0]=0]=b[0][0]=1
i =0,j=1时 b[i=0][index_1[0][1]=1]=b[0][1]=2
i=1,j=0时 b[i=1][index_1[1][0]=2]=b[1][2]=6
i=1,j=1时 b[i=1][index_1[1][1]=0]=b[1][0]=4
从结果中也可以看出输出的维度和index矩阵维度相同
参考
利用pytorch中的gather函数取出矩阵中的元素

softmax公式

参考别人的回答
softmax公式大概可以解释为：
首先假设样本与理论标准函数的误差（类似于线性回归那一章中生成数据时叠加上的高斯误差）服从正态分布（高斯分布），并且不同样本之间独立同分布，通过贝叶斯公式计算各个分类的概率，将高斯分布的公式带入公式之后化简得到。在一些地方softmax函数又被称为归一化指数（normalized exponential）
以上说明方法来自书籍pattern recognition and machine learning中的一种线性分类概率生成式模型，原文中softmax函数形式为：
$$p(C_k|x)=\frac{p(x|C_k)p(C_k)}{{\sum }_{j}p(x|C_j)p(C_j)}=\frac{\exp (a_k)}{{\sum }_j\exp (a_j)}$$
其中
$$a_k=\ln p(x|C_k)p(C_k)$$
k为当前计算类别，j代表所有类别的索引
softmax函数处理的是经过处理之后已经生成的概率，另有证明多项式分布属于指数分布族后推导softmax函数的方法，处理的数据也是概率数据。