x.view()就是对tensor进行reshape：
我们在创建一个网络的时候，会在Foward函数内看到view的使用。
首先这里是一个简单的网络，有卷积和全连接组成。它的foward函数如下：
class NET(nn.Module):def __init__(self,batch_size):super(NET,self).__init__()self.conv = nn.Conv2d(outchannels=3,in_channels=64,kernel_size=3,stride=1)self.fc = nn.Linear(64*batch_size,10)def forward(self,x):x = self.conv(x)x = x.view(x.size(0), -1) out = self.fc(x)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。
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，x = x.view(x.size(0), -1)简化x = x.view(batchsize, -1)。( 通过x.view(x.size(0), -1)将tensor的结构转换为了(batchsize, channelsxy)，即将（channels，x，y）拉直，然后就可以和fc层连接了。)
示例：
x变量的本质就是一个4维向量，而在conv1层的输入的x为一个10 ∗ * ∗ 3 ∗ * ∗ 100 ∗ * ∗ 100的向量，参数分别表示batchsize，RGB，100 ∗ * ∗ 100图片大小，x经过一层层的卷积，最后10 ∗ * ∗ 256 ∗ * ∗ 4 ∗ * ∗ 4向量作为第四层卷积输出。
最后使用x.view(x.shape(0),-1)将x转化成一个10行的矩阵，矩阵的每一行就是这个批量（批量大小为10）中每张图片的各个参数（即256 ∗ * ∗ 4 ∗ * ∗ 4），即矩阵中一行对应一张图片。
view()函数的功能根reshape类似，用来转换size大小。
x = x.view(batchsize, -1)中batchsize指转换后有几行，而-1指在不告诉函数有多少列的情况下，根据原tensor数据和batchsize自动分配列数。
