在pytorch中view函数的作用为重构张量的维度，相当于numpy中resize（）的功能，但是用法可能不太一样。如下例所示
比如

import torch

a=torch.Tensor([[[1,2,3],[4,5,6]]])
b=torch.Tensor([1,2,3,4,5,6])

print(a.view(1,6))
print(b.view(1,6))

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

得到的结果一样

再看一个例子：

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

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

1.torch.view(参数a，参数b，…)

将1x1x3维的张量重构成1x1x6维的张量。

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

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

将1x1x3维的张量重构成3x1x2维的张量。

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

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

        [[3., 4.]],

        [[5., 6.]]])

2. 有的时候会出现torch.view(-1)或者torch.view(参数a，-1)这种情况。

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

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

由上面的案例可以看到，如果是torch.view(-1)，则原张量会变成一维的结构。

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

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

由上面的案例可以看到，如果是torch.view(参数a，-1)，则表示在参数b未知，参数a已知的情况下自动补齐列向量长度，在这个例子中a=2，tt3总共由6个元素，则b=6/2=3。