让我们通过下面的例子来理解view:

    a=torch.range(1,16)

print(a)

    tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12., 13., 14.,
            15., 16.])

print(a.view(-1,2))

    tensor([[ 1.,  2.],
            [ 3.,  4.],
            [ 5.,  6.],
            [ 7.,  8.],
            [ 9., 10.],
            [11., 12.],
            [13., 14.],
            [15., 16.]])

print(a.view(2,-1,4))   #3d tensor

    tensor([[[ 1.,  2.,  3.,  4.],
             [ 5.,  6.,  7.,  8.]],

            [[ 9., 10., 11., 12.],
             [13., 14., 15., 16.]]])
print(a.view(2,-1,2))

    tensor([[[ 1.,  2.],
             [ 3.,  4.],
             [ 5.,  6.],
             [ 7.,  8.]],

            [[ 9., 10.],
             [11., 12.],
             [13., 14.],
             [15., 16.]]])

print(a.view(4,-1,2))

    tensor([[[ 1.,  2.],
             [ 3.,  4.]],

            [[ 5.,  6.],
             [ 7.,  8.]],

            [[ 9., 10.],
             [11., 12.]],

            [[13., 14.],
             [15., 16.]]])

-1作为参数值是计算x值的一种简单方法，前提是我们知道y和z的值，反之亦然，对于3d和2d，同样是计算x值的一种简单方法，前提是我们知道y的值，反之亦然。

我真的很喜欢@Jadiel de Armas的例子。

我想添加一个关于.view(…)元素如何排序的小见解。

对于形状为(a,b,c)的张量，其元素的顺序为 由编号系统确定:其中第一个数字有 数字，第二个数字是b，第三个数字是c。 由.view(…)返回的新张量中元素的映射 保持原始张量的阶数。

让我们通过下面的例子来理解view:

    a=torch.range(1,16)

print(a)

    tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12., 13., 14.,
            15., 16.])

print(a.view(-1,2))

    tensor([[ 1.,  2.],
            [ 3.,  4.],
            [ 5.,  6.],
            [ 7.,  8.],
            [ 9., 10.],
            [11., 12.],
            [13., 14.],
            [15., 16.]])

print(a.view(2,-1,4))   #3d tensor

    tensor([[[ 1.,  2.,  3.,  4.],
             [ 5.,  6.,  7.,  8.]],

            [[ 9., 10., 11., 12.],
             [13., 14., 15., 16.]]])
print(a.view(2,-1,2))

    tensor([[[ 1.,  2.],
             [ 3.,  4.],
             [ 5.,  6.],
             [ 7.,  8.]],

            [[ 9., 10.],
             [11., 12.],
             [13., 14.],
             [15., 16.]]])

print(a.view(4,-1,2))

    tensor([[[ 1.,  2.],
             [ 3.,  4.]],

            [[ 5.,  6.],
             [ 7.,  8.]],

            [[ 9., 10.],
             [11., 12.]],

            [[13., 14.],
             [15., 16.]]])

-1作为参数值是计算x值的一种简单方法，前提是我们知道y和z的值，反之亦然，对于3d和2d，同样是计算x值的一种简单方法，前提是我们知道y的值，反之亦然。

权重。重塑(a, b)将返回一个新的张量，其数据与大小为(a, b)的权重相同，因为它将数据复制到内存的另一部分。

权重。Resize_ (a, b)返回不同形状的相同张量。然而，如果新的形状产生的元素比原来的张量少，一些元素将从张量中删除(但不从内存中删除)。如果新的形状产生的元素比原来的张量更多，那么新的元素将在内存中未初始化。

权重。视图(a, b)将返回一个新的张量，其数据与权重(a, b)相同

我发现x.view(- 1,16 * 5 * 5)等价于x.flatten(1)，其中参数1表示扁平化过程从第一个维度开始(不是扁平化'样本'维度) 如您所见，后一种用法在语义上更清楚，也更容易使用，因此我更喜欢flatten()。

View()在不复制内存的情况下重塑张量，类似于numpy的重塑()。

给定一个包含16个元素的张量a:

import torch
a = torch.range(1, 16)

为了重塑这个张量，使它成为一个4 x 4张量，使用:

a = a.view(4, 4)

现在a就是一个4 x 4张量。注意，在重塑之后，元素的总数需要保持不变。将张量a重塑为3 x 5张量是不合适的。

参数-1是什么意思?

如果有任何情况，你不知道你想要多少行，但确定列的数量，那么你可以指定这个-1。(注意，你可以将其扩展到更多维度的张量。只有一个轴值可以是-1)。这是一种告诉库的方式:“给我一个张量，它有这么多列，然后你计算出实现这一点所需的适当行数”。

这可以在模型定义代码中看到。在forward函数中的x = self.pool(F.relu(self.conv2(x)))行之后，您将得到一个16深度的特征映射。你必须把它压平，让它成为完全连接的层。所以你告诉PyTorch重塑你得到的张量，让它有特定的列数，并让它自己决定行数。