【python深度学习】——pytorch中tensor的view、resize(resize_)与reshape

1. view()

view()方法具有以下特性：

它只能在tensor是连续的时候使用（可以调用is_contiguous()方法查看tensor是否连续）, 如果要对不连续的张量使用，需要先使用.contiguous()使其在内存上连续。
view()方法不改变tensor的storage内容，只改变其元数据(metadata)。(参见后面的示例代码，通过tensor的storage().data_ptr()查看数据的地址)
调用view()时,需要确保tensor的元素总数保持不变。例如, [2, 3]的tensor可以view为[3, 2]或[1, 6]。

示例代码：

python 复制代码

import torch

# 创建一个2x3的tensor
tensor = torch.rand(2, 3)
print(tensor.shape)  

# 使用view()改变tensor形状
new_tensor = tensor.view(3, 2)
print(new_tensor.shape)  

# 查看tensor和new_tensor的存储地址
print(tensor.storage().data_ptr())  
print(new_tensor.storage().data_ptr())  

# 查看tensor和new_tensor的存储内容
print(tensor.storage())
print(new_tensor.storage())

# 查看tensor和new_tensor的stride
print(tensor.stride())  
print(new_tensor.stride())

2. resize()/resize_():

resize_()是原地操作版本,会直接修改原tensor,而resize()会返回一个新的tensor。
resize()/resize_()方法可以自动改变tensor的元素总数。如果新形状的元素总数大于原来的,会用0填充新增的元素;如果小于原来的,则会截断多余的元素。在补0的情况下，会开辟一块新的内存区域来存放新的tensor。

示例代码：

python 复制代码

import torch

# 创建一个2x3的tensor
tensor = torch.tensor([1,2,3,4])
print(tensor.shape)
print(tensor.storage().data_ptr())
# 使用resize()改变tensor形状
tensor.resize_(3, 2)
print(tensor.shape) # Output: torch.Size([3, 2])

# 新增的元素会被填充为0
print(tensor)
print(tensor.storage().data_ptr())

3. reshape():

在数据连续时
reshape()方法在数据连续时，作用和view()类似，都是共享存储区的情况下（不改变tensor的storage）
不连续 时， reshape类似等同于contiguous()+view()------它会在新的存储区创建一个tensor, 不与原数据共享存储区。

示例代码：

python 复制代码

import torch

# 创建一个2x3的tensor
tensor = torch.rand(2, 3)

# reshape()处理非连续的tensor
non_contiguous = tensor.t()
print(non_contiguous.is_contiguous()) # Output: False
reshaped = non_contiguous.reshape(1, 6)
print(reshaped.is_contiguous()) # Output: True

print(reshaped.storage().data_ptr())
print(non_contiguous.storage().data_ptr())