在 PyTorch 中，reshape 和 view 都用于改变张量的形状，但它们在实现和使用上有一些重要的区别。理解这些区别对于在复杂的张量操作中选择合适的方法非常关键。
view 方法
- 连续性要求 ：
view方法要求原始张量在内存中是连续的。如果张量不是连续的（即，内存布局不是顺序的），需要先调用contiguous方法。 - 效率 ：如果张量是连续的，
view非常高效，因为它不复制数据，只是改变了张量的视图。
示例
python
import torch
# 创建一个张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(f"原始张量:\n{tensor}")
# 将张量重塑为 3x2
reshaped_tensor = tensor.view(3, 2)
print(f"view 重塑后的张量 (3x2):\n{reshaped_tensor}")
# 如果张量不连续，需要先调用 contiguous
non_contiguous_tensor = tensor.t() # 转置使其非连续
print(f"非连续张量:\n{non_contiguous_tensor}")
contiguous_tensor = non_contiguous_tensor.contiguous().view(3, 2)
print(f"contiguous 后使用 view 重塑的张量 (3x2):\n{contiguous_tensor}")输出：
原始张量:
tensor([[1, 2, 3],
[4, 5, 6]])
view 重塑后的张量 (3x2):
tensor([[1, 2],
[3, 4],
[5, 6]])
非连续张量:
tensor([[1, 4],
[2, 5],
[3, 6]])
contiguous 后使用 view 重塑的张量 (3x2):
tensor([[1, 4],
[2, 5],
[3, 6]])
reshape 方法
- 灵活性 ：
reshape方法更灵活，可以处理非连续的张量。它会尝试返回一个与原始张量共享数据的新张量，但如果无法做到，它将创建一个新的张量，并复制数据。 - 效率 ：在处理非连续张量时，
reshape可能会比view慢，因为它可能需要复制数据。
示例
python
import torch
# 创建一个张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(f"原始张量:\n{tensor}")
# 将张量重塑为 3x2
reshaped_tensor = tensor.reshape(3, 2)
print(f"reshape 重塑后的张量 (3x2):\n{reshaped_tensor}")
# 非连续张量直接使用 reshape
non_contiguous_tensor = tensor.t() # 转置使其非连续
print(f"非连续张量:\n{non_contiguous_tensor}")
reshaped_non_contiguous_tensor = non_contiguous_tensor.reshape(3, 2)
print(f"reshape 直接重塑的张量 (3x2):\n{reshaped_non_contiguous_tensor}")输出：
原始张量:
tensor([[1, 2, 3],
[4, 5, 6]])
reshape 重塑后的张量 (3x2):
tensor([[1, 2],
[3, 4],
[5, 6]])
非连续张量:
tensor([[1, 4],
[2, 5],
[3, 6]])
reshape 直接重塑的张量 (3x2):
tensor([[1, 4],
[2, 5],
[3, 6]])
总结
-
view：- 要求原始张量是连续的。如果不是连续的，需要先调用
contiguous方法。 - 在连续张量上非常高效，因为它不会复制数据，只是改变了视图。
- 要求原始张量是连续的。如果不是连续的，需要先调用
-
reshape：- 更加灵活，可以处理非连续的张量。
- 尝试返回一个共享数据的新张量，但如果不能实现，会创建一个新的张量并复制数据。
在实际使用中，如果你确定你的张量是连续的，并且你不希望创建数据的副本，使用 view 会更高效。而如果你的张量可能是非连续的，或者你希望更加灵活地重塑张量，reshape 会是更好的选择。