在pytorch视图中-1是什么意思？

正如问题所说，

-1

在pytorch

视图中做什么

>a=torch.arange（1,17）
>>>a
张量（[1,2,3,4,5,6,7,8,9,10,。，
11.,  12.,  13.,  14.,  15.,  16.])
>>>a.视图（1，-1）
张量（[[1,2,3,4,5,6,7,8,9,10,。，
11.,  12.,  13.,  14.,  15.,  16.]])
>>>a.视图（-1,1）
张量（[[1.]]，
[  2.],
[  3.],
[  4.],
[  5.],
[  6.],
[  7.],
[  8.],
[  9.],
[ 10.],
[ 11.],
[ 12.],
[ 13.],
[ 14.],
[ 15.],
[ 16.]])

它（
-1
）是否生成附加维度？
它的行为是否与numpy
重塑
-1

相同？

我想这类似于：

新形状应与原始形状兼容。如果是整数，则结果将是该长度的一维数组。一个形状标注可以是-1。在这种情况下，该值是从数组的长度和剩余维度推断出来的

---

如果你有

a=torch.arange（1,18）

你可以用不同的方式查看它，比如

a.view（-1,6）

，

a.view（-1,9）

，

a.view（3，-1）

等等。

是的，它的行为确实像

numpy.reforme（）中的
-1
，即，将推断此维度的实际值，以便视图中的图元数量与原始图元数量匹配

例如：

import torch

x = torch.arange(6)

print(x.view(3, -1))      # inferred size will be 2 as 6 / 3 = 2
# tensor([[ 0.,  1.],
#         [ 2.,  3.],
#         [ 4.,  5.]])

print(x.view(-1, 6))      # inferred size will be 1 as 6 / 6 = 1
# tensor([[ 0.,  1.,  2.,  3.,  4.,  5.]])

print(x.view(1, -1, 2))   # inferred size will be 3 as 6 / (1 * 2) = 3
# tensor([[[ 0.,  1.],
#          [ 2.,  3.],
#          [ 4.,  5.]]])

# print(x.view(-1, 5))    # throw error as there's no int N so that 5 * N = 6
# RuntimeError: invalid argument 2: size '[-1 x 5]' is invalid for input with 6 elements

print(x.view(-1, -1, 3))  # throw error as only one dimension can be inferred
# RuntimeError: invalid argument 1: only one dimension can be inferred

:

-例如，如果你有

>>> a = torch.rand(4,4)
>>> a.size()
torch.size([4,4])
>>> y = x.view(16)
>>> y.size()
torch.size([16])
>>> z = x.view(-1,8) # -1 is generally inferred as 2  i.e (2,8)
>>> z.size()
torch.size([2,8])

我喜欢本杰明给出的答案

是的，它的行为与numpy.reforme（）中的-1类似，也就是说，将推断此维度的实际值，以便视图中的元素数与原始元素数匹配

但我认为奇怪的case-edge情况对你来说可能不是直观的（或者至少对我来说不是），是用一个-1调用它，即
tensor.view（-1）
。
我的猜测是，它的工作方式与以往完全相同，只是因为您要查看一个数字，所以它假设您需要一个维度。
tensor.view（-1，Dnew）
它将产生两个维度/索引的张量，但会确保第一个维度根据张量的原始维度具有正确的大小。假设您有
（D1，D2）
您有
Dnew=D1*D2
，那么新维度将是1

对于带有代码的真实示例，您可以运行：

import torch

x = torch.randn(1, 5)
x = x.view(-1)
print(x.size())

x = torch.randn(2, 4)
x = x.view(-1, 8)
print(x.size())

x = torch.randn(2, 4)
x = x.view(-1)
print(x.size())

x = torch.randn(2, 4, 3)
x = x.view(-1)
print(x.size())

输出：

torch.Size([5])
torch.Size([1, 8])
torch.Size([8])
torch.Size([24])


历史/背景
我觉得这是一个很好的例子（展平层就是这个常见的代码）：

连续的。在此视图中，
x.view（-1）
是一个奇怪的扁平层，但缺少挤压（即添加维度1）。添加或删除此压缩通常对代码的实际运行非常重要。
据我所知（我不支持…），给定的维度-1将适用于其他维度。因此
a.view（-1,1）
将生成维度为
17x1
的向量，因为有17个值-So
v.view（1，-1）
将生成
1x17
向量。如果我们自己有-1呢？e、 g.我面前有这样一个：
正确[：k]。视图（-1）
。在这种特殊情况下，它会做什么？@CharlieParker：这会使张量变平（类似于），即返回一个包含所有元素的一维张量。例如，在我的答案中的命令之后运行
x.view（-1）
将返回
张量（[0,1,2,3,4,5.]）
，即一个尺寸为6的单维张量。如果我们自己有-1呢？e、 g.我面前有这样一个：
正确[：k]。视图（-1）
。在这种特殊情况下它会做什么？如果我们自己有-1呢？e、 g.我面前有这样一个：
正确[：k]。视图（-1）
。在这种特殊情况下它会做什么？如果我们自己有-1呢？e、 g.我面前有这样一个：
正确[：k]。视图（-1）
。在这种特殊情况下，它会起什么作用？
torch.Size([5])
torch.Size([1, 8])
torch.Size([8])
torch.Size([24])

class Flatten(nn.Module):
    def forward(self, input):
        # input.size(0) usually denotes the batch size so we want to keep that
        return input.view(input.size(0), -1)