pytorch函数reshape()和view()的区别及张量连续性

目录

1.view()

2.reshape()

3.引用和副本：

4.区别

5.总结

---

在PyTorch中，tensor可以使用两种方法来改变其形状：view()和reshape()。这两种方法的作用是相当类似的，但是它们在实现上有一些细微的区别。

1.view()

view()方法是PyTorch中的一种基础操作，用于调整tensor的形状。它返回一个新的tensor，其数据与原始tensor相同，但具有新的形状。与原始tensor共享存储空间，因此在新的tensor上的任何操作都会影响原始tensor。

下面是一个使用view()方法改变tensor形状的示例：

import torch
 
# 创建一个形状为(2, 3, 4)的tensor
x = torch.randn(2, 3, 4)
 
# 使用view()方法将其形状改变为(6, 4)
y = x.view(6, 4)
 
print(x.shape) # 输出torch.Size([2, 3, 4])
print(y.shape) # 输出torch.Size([6, 4])

在上面的代码中，我们使用view()方法将形状为(2, 3, 4)的tensor x 转换为形状为(6, 4)的新tensor y。

2.reshape()

reshape()方法也用于调整tensor的形状，与view()方法类似，但是在实现上有一个重要的区别：reshape()方法返回一个新的tensor，其数据与原始tensor相同，但是可能与原始tensor共享存储空间，具体取决于实现。

下面是一个使用reshape()方法改变tensor形状的示例：

import torch
 
# 创建一个形状为(2, 3, 4)的tensor
x = torch.randn(2, 3, 4)
 
# 使用reshape()方法将其形状改变为(6, 4)
y = x.reshape(6, 4)
 
print(x.shape) # 输出torch.Size([2, 3, 4])
print(y.shape) # 输出torch.Size([6, 4])

在上面的代码中，我们使用reshape()方法将形状为(2, 3, 4)的tensor x 转换为形状为(6, 4)的新tensor y。

3.引用和副本：

view 并不产生原始数据的新拷贝，副本产生原始数据的新拷贝

视图是数据的一个别称或引用，通过该别称或引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。如果我们对视图进行修改，它会影响到原始数据，物理内存在同一位置，这样避免了重新创建张量的高内存开销。由上面介绍的 PyTorch 的张量存储方式可以理解为：对张量的大部分操作就是视图操作！

与之对应的概念就是副本。副本是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同一位置。

对张量连续性条件的理解 

4.区别

view()和reshape()的区别在于它们对于共享存储空间的处理方式。view()方法对共享存储空间的处理比较严格，必须要满足两个条件：新的tensor的大小必须与原始tensor大小相同，且新的tensor的步幅(stride)必须与原始tensor步幅相同，否则将会抛出一个错误。相反，reshape()方法更加灵活，可以处理整个形状大小的变化。

下面是一个使用view()方法会抛出错误的示例：

import torch
 
# 创建一个形状为(2, 3, 4)的tensor
x = torch.randn(2, 3, 4)
 
# 使用view()方法将其形状改变为(6, 5)，会抛出一个错误
y = x.view(6, 5)

在上面的代码中，我们尝试使用view()方法将形状为(2, 3, 4)的tensor x 转换为一个形状为(6, 5)的新tensor，但由于新的tensor大小与原始tensor大小不同，所以会抛出一个错误。

下面是一个使用reshape()方法可以处理大小变化的示例：

import torch
 
# 创建一个形状为(2, 3, 4)的tensor
x = torch.randn(2, 3, 4)
 
# 使用reshape()方法将其形状改变为(6, 5)
y = x.reshape(6, 5)
 
print(x.shape) # 输出torch.Size([2, 3, 4])
print(y.shape) # 输出torch.Size([6, 5])

在上面的代码中，我们使用reshape()方法将形状为(2, 3, 4)的tensor x 转换为一个形状为(6, 5)的新tensor。

5.总结

        PyTorch中的view()和reshape()方法都用于将tensor的形状调整为新的形状。view()方法返回一个新的tensor，其中数据与原始tensor相同，但具有新的形状，并且对共享存储空间进行严格的处理；reshape()方法也返回一个新的tensor，其中数据与原始tensor相同，但是对共享存储空间的处理比较灵活，可以处理整个形状大小的变化。在使用这两种方法时，需要根据需要选择不同的方法。

• （1）reshape()函数返回一个新的张量，而view()函数返回一个与原始张量共享存储空间的张量。这意味着，当你使用reshape()函数改变张量形状时，会创建一个新的张量对象，而原始张量对象不会改变。而当你使用view()函数改变张量形状时，会返回一个新的张量对象，但是它与原始张量对象共享存储空间，因此对新张量的修改也会影响原始张量。
• （2）reshape()函数可以处理任意形状的张量，而view()函数只能处理连续的张量。如果你尝试使用view()函数处理非连续的张量，会引发RuntimeError异常。
• （3）reshape()函数可以自动推断某些维度的大小，而view()函数需要手动指定所有维度的大小。如果你使用reshape()函数时只指定了部分维度的大小，它会自动推断其他维度的大小。而如果你使用view()函数时没有指定所有维度的大小，会引发RuntimeError异常。
• （4）reshape()函数可以使用-1作为占位符来自动计算某个维度的大小，而view()函数不支持使用-1作为占位符。
• （5）reshape()和view()函数都是用于改变张量形状的函数，但是它们之间有一些区别。如果你需要处理非连续的张量或者需要自动推断某些维度的大小，应该使用reshape()函数。如果你需要处理连续的张量并且需要手动指定所有维度的大小，应该使用view()函数。
• （6）view比较轻量化，占资源较少
   

参考：PyTorch 82. view() 与 reshape() 区别详解 - 知乎