我的理解是：
把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。
<相当于numpy中resize()的功能，但是用法可能不太一样。>
举例：
a=torch.Tensor([[[1,2,3],[4,5,6]]])
b=torch.Tensor([1,2,3,4,5,6])
print(a.view(1,6))
print(b.view(1,6))
#得到的结果都是tensor([[1., 2., 3., 4., 5., 6.]])
#再看一个例子：
a=torch.Tensor([[[1,2,3],[4,5,6]]])
print(a.view(3,2))
#将会得到：
tensor([[1., 2.],
[3., 4.],
[5., 6.]])
#相当于就是从1，2，3，4，5，6顺序的拿数组来填充需要的形状。但是如果您想得到如下的结果：
tensor([[1., 4.],
[2., 5.],
[3., 6.]])
就需要使用另一个函数了：permute（）。用法参见：PyTorch1.0中permute的用法 (https://www.jianshu.com/p/0af6e5ad3476
)
另外，参数不可为空。参数中的-1就代表这个位置由其他位置的数字来推断，只要在不致歧义的情况的下，view参数就可以推断出来，也就是人可以推断出形状的情况下，view函数也可以推断出来。比如a tensor的数据个数是6个，如果view（1，-1），我们就可以根据tensor的元素个数推断出-1代表6。而如果是view（-1，-1，2），人不知道怎么推断，机器也不知道。还有一种情况是人可以推断出来，但是机器推断不出来的：view（-1，-1，6），人可以知道-1都代表1，但是机器不允许同时有两个负1。
如果没有-1，那么所有参数的乘积就要和tensor中元素的总个数一致了，否则就会出现错误。
