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

Question

我知道平衡极点示例需要 2 个输出。 强化学习 (DQN) 教程

这是 self.head 的 output

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

当我运行下面的时期是输出：

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])

所以我想了解 x.view(x.size(0), -1) 在做什么？

我从代码中的注释中了解到它正在返回：返回张量（[[left0exp，right0exp]...]）。

但是，作为 torch.Size([121, 32, 2, 8]) 的 x 是如何减少到大小为 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 个输出怎么办。 我将如何表示？ 为什么是 x.size(0)。 为什么是-1？
所以似乎将 self.head 与 4 个输出变为 2 个输出。 那是对的吗？

在底部是 class 我指的是：

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一个向量（一维数组）。 为了分解它， x.view()重塑了指定形状的张量（更多信息）。 x.shape(0)返回张量的第一维（这是批量大小，应该保持不变）。 x.view()中的-1是一个填充符，换句话说，它的维度是我们不知道的，所以 PyTorch 会自动计算它。 例如，如果x = torch.tensor([1,2,3,4]) ，要将张量重塑为2x2 ，您可以执行x.view(2,2)或x.view(2,-1)或x.view(-1,2) 。 output 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 output 的大小从 2 更改为 4，您必须将__init__ function 中的输出参数更改为 4。