为什么在pyTorch强化学习示例的nn.模块中返回self.head（x.view（x.size（0），1））

Question

我知道平衡杆示例需要2个输出Reinforcement Learning (DQN) Tutorial

这是self.head的输出

  print ('x',self.head)  
  x = Linear(in_features=512, out_features=2, bias=True)

当我运行EPOCH时，以下是输出：

print (self.head(x.view(x.size(0), -1)))
return self.head(x.view(x.size(0), -1))

tensor([[-0.6945, -0.1930]])
tensor([[-0.0195, -0.1452]])
tensor([[-0.0906, -0.1816]])
tensor([[ 0.0631, -0.9051]])
tensor([[-0.0982, -0.5109]])
...

x的大小为：

x = torch.Size([121, 32, 2, 8])

所以我试图理解x.view（x.size（0），-1）在做什么

我从代码中的注释中了解到它返回： 返回张量（[[left0exp，right0exp]…]）

但是x，也就是火炬的大小（[121，32，2，8]）是如何被减少到一个大小为2的张量的呢

有没有其他更有意义的写作方式？如果我有4个输出呢。我将如何陈述这一点？为什么是x.size（0）。为什么是-1？
因此，似乎将self.head与4个输出转换为2个输出。对吗

下面是我所指的班级：

class DQN(nn.Module):

    def __init__(self, h, w, outputs):
        super(DQN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=5, stride=2)
        self.bn1 = nn.BatchNorm2d(16)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=5, stride=2)
        self.bn2 = nn.BatchNorm2d(32)
        self.conv3 = nn.Conv2d(32, 32, kernel_size=5, stride=2)
        self.bn3 = nn.BatchNorm2d(32)

        # Number of Linear input connections depends on output of conv2d layers
        # and therefore the input image size, so compute it.
        def conv2d_size_out(size, kernel_size = 5, stride = 2):
            return (size - (kernel_size - 1) - 1) // stride  + 1
        convw = conv2d_size_out(conv2d_size_out(conv2d_size_out(w)))
        convh = conv2d_size_out(conv2d_size_out(conv2d_size_out(h)))
        linear_input_size = convw * convh * 32
        self.head = nn.Linear(linear_input_size, outputs)

    # Called with either one element to determine next action, or a batch
    # during optimization. Returns tensor([[left0exp,right0exp]...]).
    def forward(self, x):
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.relu(self.bn2(self.conv2(x)))
        x = F.relu(self.bn3(self.conv3(x)))
        return self.head(x.view(x.size(0), -1))

Answer 1

x.view(x.size(0), -1)正在展平张量，这是因为线性层只接受向量（1d数组）。要分解它，x.view()重塑指定形状的张量（更多info）x.shape(0)返回张量的第一维（即批量大小，应保持不变）。x.view()中的-1是一个填充词，换句话说，它的维度我们不知道，所以PyTorch自动计算它。例如，如果x = torch.tensor([1,2,3,4])，要将张量重塑为2x2，可以执行x.view(2,2)或x.view(2,-1)或x.view(-1,2)。 输出形状不是2的张量形状，而是121,2的张量形状（121是批量大小，2来自线性层output）。因此，要将输出大小从2更改为4，必须将__init__函数中的outputs参数更改为4