分析pytorch中的view和reshape

在pytorch编写的代码中，view方法和reshape方法是非常常用的。但是经过我的一次亲手撸代码的经历，发现事情并不那么简单，那就一起来看一下我为何这么说吧？

一、基础认知

在此之前，希望对以下几点我们是有共同认知的：

1. （B, C, H, W）这个形式的tensor通常都是作为网络的输入，而每个维度都是有其意义的，比如第一维的B就是不同的图片（暂且认为是输入的图片），也就是一个批次中的batch size大小，C是tensor的通道， H和W分别是tensor 的spatial size，即高和宽。比如下面这幅图就可以看作（2,3,2,2）
   
2. 还有一点需要认知的就是(4×3, 2)与(3×4, 2)是不同的。有人会说那不都是(12, 2)嘛，这样说的人需要回到第一点再思考，也可借助下面这幅图理解【所以看一些tensor的shape的时候尽量要拆开来做注释】：
   
   更直白一点地说就是4×3是3个4，而3x4是4个3，就是这样的区别。
   到这里看不懂还可以看下面的例子。

二、官方文档

现在就可以来看看官方文档中怎么解释这两个用法的：

2.1 view()

view(*shape) → Tensor

2.2 reshape()

torch.reshape(input, shape) → Tensor

三、结论

• view函数和reshape函数在我们使用过程中的基本功能是类似的，reshape可在不连续的情况下不会报错
• 对于-1的用法，两者都是:如果输入(B, C, H, W)经过view(B, -1)或者reshape(B, -1)都会变成(B, C×H×W)