在pytorch的CNN代码中经常会看到

x.view(x.size(0), -1)

首先，在pytorch中的view()函数就是用来改变tensor的形状的，例如将2行3列的tensor变为1行6列，其中-1表示会自适应的调整剩余的维度

a = torch.Tensor(2,3)

print(a)

# tensor([[0.0000, 0.0000, 0.0000],

# [0.0000, 0.0000, 0.0000]])

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

# tensor([[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]])

在CNN中卷积或者池化之后需要连接全连接层，所以需要把多维度的tensor展平成一维，x.view(x.size(0), -1)就实现的这个功能

def forward(self,x):

x=self.pre(x)

x=self.layer1(x)

x=self.layer2(x)

x=self.layer3(x)

x=self.layer4(x)

x=F.avg_pool2d(x,7)

x=x.view(x.size(0),-1)

return self.fc(x)

卷积或者池化之后的tensor的维度为(batchsize，channels，x，y)，其中x.size(0)指batchsize的值，最后通过x.view(x.size(0), -1)将tensor的结构转换为了(batchsize, channels*x*y)，即将(channels，x，y)拉直，然后就可以和fc层连接了

补充：pytorch中view的用法(重构张量)

view在pytorch中是用来改变张量的shape的，简单又好用。

pytorch中view的用法通常是直接在张量名后用.view调用，然后放入自己想要的shape。如

tensor_name.view(shape)

Example:

1. 直接用法：

>>> x = torch.randn(4, 4)

>>> x.size()

torch.Size([4, 4])

>>> y = x.view(16)

>>> y.size()

torch.Size([16])

2. 强调某一维度的尺寸：

>>> z = x.view(-1, 8) # the size -1 is inferred from other dimensions

>>> z.size()

torch.Size([2, 8])

3. 拉直张量：

(直接填-1表示拉直， 等价于tensor_name.flatten())

>>> y = x.view(-1)

>>> y.size()

torch.Size([16])

4. 做维度变换时不改变内存排列

>>> a = torch.randn(1, 2, 3, 4)

>>> a.size()

torch.Size([1, 2, 3, 4])

>>> b = a.transpose(1, 2) # Swaps 2nd and 3rd dimension

>>> b.size()

torch.Size([1, 3, 2, 4])

>>> c = a.view(1, 3, 2, 4) # Does not change tensor layout in memory

>>> c.size()

torch.Size([1, 3, 2, 4])

>>> torch.equal(b, c)

False

注意最后的False，在张量b和c是不等价的。从这里我们可以看得出来，view函数如其名，只改变“看起来”的样子，不会改变张量在内存中的排列。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持得牛网。如有错误或未考虑完全的地方，望不吝赐教。