介绍
.view() 方法，这个方法是张量形状变换的核心工具，用于在不改变张量数据的前提下，调整张量的维度结构（如将一维张量转为二维、将四维特征图展平为二维等）。
作用
返回一个与原张量共享内存的新视图（新形状），张量的 总元素数必须保持不变（即形状的乘积相等），数据本身不复制、不修改，仅改变维度的解读方式。
关键特征
新张量与原张量共享内存，修改其中一个，另一个也会同步变化。
语法
Tensor.view(*shape) → Tensor
参数：
*shape：指定新的形状，可以是单个整数、多个整数，或包含-1（自动计算该维度的大小，且只能有一个-1）；
对比 .reshape()
.reshape() 是 .view() 的升级版，功能类似，但 .view() 仅支持连续内存的张量，.reshape() 可自动处理非连续张量（必要时复制数据）。
例子
通过不同场景的示例，演示 .view() 的核心用法：
import torch
# 原张量：shape [2, 3]（总元素数=6）
x = torch.tensor([[1, 2, 3],
[4, 5, 6]])
print("原张量形状：", x.shape) # torch.Size([2, 3])
示例1：基础形状变换（总元素数不变）
转为 [3, 2]
x_view1 = x.view(3, 2)
print("\nview(3, 2) 结果：")
print(x_view1)
# 输出：
# tensor([[1, 2],
# [3, 4],
# [5, 6]])
示例2：使用-1自动计算维度（常用！）
# -1 表示“自动计算该维度的大小”，仅能出现一次
x_view2 = x.view(-1) # 展平为一维（6个元素）
print("\nview(-1) 结果（展平）：", x_view2) # tensor([1, 2, 3, 4, 5, 6])
x_view3 = x.view(2, -1) # 固定第一维为2，第二维自动算（3）
print("view(2, -1) 形状：", x_view3.shape) # torch.Size([2, 3])
x_view4 = x.view(-1, 3) # 固定第二维为3，第一维自动算（2）
print("view(-1, 3) 形状：", x_view4.shape) # torch.Size([2, 3])
示例3：高维张量变换（如CNN特征图展平）
# 模拟CNN输出：[batch_size=2, channel=3, height=4, width=4]（总元素=2*3*4*4=96）
feat = torch.randn(2, 3, 4, 4)
# 展平为 [2, 3*4*4]（batch保留，特征展平）
feat_flat = feat.view(2, -1)
print("\n高维张量view后形状：", feat_flat.shape) # torch.Size([2, 48])
示例4：共享内存特性（修改新视图，原张量也变）
x_view1[0, 0] = 100 # 修改view后的张量
print("\n修改view张量后，原张量：")
print(x) # 原张量[0,0]也变为100！
# 输出：
# tensor([[100, 2, 3],
# [ 4, 5, 6]])
使用场景
.view() 是深度学习中高频使用的操作，典型场景包括：
全连接层前的特征展平
CNN模型中，卷积层输出的四维张量（[batch, channel, h, w]）需展平为二维（[batch, channel*h*w]）才能输入全连接层：
class CNN(nn.Module):
def __init__(self):
super().__init__()
self.conv = nn.Conv2d(3, 16, 3) # 输出[batch,16,30,30]（假设输入224x224）
self.fc = nn.Linear(16*30*30, 10) # 全连接层需要一维特征
def forward(self, x):
x = self.conv(x)
# 展平：保留batch维度，其余展平
x = x.view(x.size(0), -1) # x.size(0) = batch_size，-1自动计算16*30*30
x = self.fc(x)
return x
调整批量数据形状
将一维的批量数据（如 [batch*seq_len, dim]）恢复为二维（[batch, seq_len, dim]）：
# 输入：[8, 768]（batch=2, seq_len=4，总长度=8）
x = torch.randn(8, 768)
# 恢复为 [2, 4, 768]
x_reshaped = x.view(2, 4, 768)
维度压缩/扩展
临时调整维度以适配层的输入要求（如将 [batch, dim] 转为 [batch, 1, dim] 适配卷积层）：
x = torch.randn(32, 64) # [batch=32, dim=64]
# 转为 [32, 1, 64]（适配Conv1d的输入格式）
x_expand = x.view(32, 1, 64)
注意事项
总元素数必须相等
新形状的乘积必须等于原张量的总元素数，否则报错。例如：
x = torch.randn(2, 3)
x.view(4, 2) # 报错！2*3=6 ≠ 4*2=8
仅支持连续内存张量
如果张量经过转置（.t()）、切片等操作后内存不连续，.view() 会报错，此时需用 .contiguous() 先整理内存，或直接用 .reshape()：
x = torch.randn(2, 3).t() # 转置后内存不连续
# x.view(6) # 报错！
x_contig = x.contiguous()
x_contig.view(6) # 正常
# 更简单：用reshape
x.reshape(6) # 自动处理非连续内存
共享内存的风险
修改 .view() 返回的张量会同步修改原张量，若需独立张量，需用 .clone() 复制：
x = torch.tensor([1,2,3])
x_view = x.view(3,1).clone() # 复制后不再共享内存
x_view[0,0] = 100
print(x) # 仍为[1,2,3]，不受影响
-1的使用限制
.view() 中 -1 只能出现一次，用于自动计算维度，多次出现会报错：
x.view(-1, -1) # 报错！只能有一个-1
总结
.view()核心是共享内存的形状变换，总元素数必须不变，常用-1自动计算维度；- 典型场景：CNN特征展平、批量数据形状调整、维度适配；
- 注意内存连续性问题（报错时用
.contiguous()或.reshape()），以及共享内存的修改风险。