這篇簡明扼要的文章是關(guān)于PyTorch中的tensor.view()方法的介紹與應(yīng)用，與reshape()方法的區(qū)別，同時給出示例進(jìn)行詳細(xì)解釋。

Tensor基礎(chǔ)

Tensor(張量)的視圖是一個新的Tensor，它與原始Tensor共享相同的底層數(shù)據(jù)，但具有不同的形狀或大小。view()方法用于在不改變其數(shù)據(jù)的情況下將張量重塑為新的形狀。它返回原始張量的新視圖。這意味著修改新的張量會影響原來的張量，反之亦然。

語法:

Tensor.view(*shape) -> Tensor

• self：想要重塑的輸入Tensor。
• *shape：一個torch.Size對象或指定輸出張量所需形狀的整數(shù)序列。還可以使用-1從其他維度推斷一個維度的大小。

然而，Tensor.view()僅適用于連續(xù)張量，即存儲在連續(xù)內(nèi)存中的張量。如果輸入張量不是連續(xù)的，則需要在調(diào)用tensor .view()之前調(diào)用tensor.consecuous()。你可以通過調(diào)用tensor.is_consecuous()來檢查張量是否是連續(xù)的。

代碼示例

下面演示如何在實踐中使用tensor.view()方法：

>>> import torch
>>> torch.manual_seed(2023)
>>> # Create a tensor with the shape of 4x4
>>> x = torch.randn(4, 4)
>>> print(x)
tensor([[ 0.4305, -0.3499,  0.4749,  0.9041],[-0.7021,  1.5963,  0.4228, -0.6940],[ 0.9672,  1.5569, -2.3860,  0.6994],[-1.0325, -2.6043,  0.9337, -0.1050]])
>>> y = x.view(16)
>>> print(y)
tensor([ 0.4305, -0.3499,  0.4749,  0.9041, -0.7021,  1.5963,  0.4228, -0.6940,0.9672,  1.5569, -2.3860,  0.6994, -1.0325, -2.6043,  0.9337, -0.1050])
>>> z=x.view(2,8)
>>> print(z)
tensor([[ 0.4305, -0.3499,  0.4749,  0.9041, -0.7021,  1.5963,  0.4228, -0.6940],[ 0.9672,  1.5569, -2.3860,  0.6994, -1.0325, -2.6043,  0.9337, -0.1050]])
>>> w=x.view(-1,2)
>>> print(w)
tensor([[ 0.4305, -0.3499],[ 0.4749,  0.9041],[-0.7021,  1.5963],[ 0.4228, -0.6940],[ 0.9672,  1.5569],[-2.3860,  0.6994],[-1.0325, -2.6043],[ 0.9337, -0.1050]])
>>> 

你可以看到y(tǒng)和x有相同的數(shù)據(jù)，但形狀不同，是16x1。Z和x有相同的數(shù)據(jù)，但形狀不同，是2x8。W和x有相同的數(shù)據(jù)，但形狀不同，是8x2。w的最后一個維度是從其他維度和x中的元素數(shù)量推斷出來的。

Torch.view()和torch.reshape()的區(qū)別

torch.reshape()函數(shù)和tensor .view()方法之間的區(qū)別在于torch.reshape()可以返回原始張量的視圖或副本，具體取決于新形狀是否與原始形狀和步幅兼容，而tensor .view()總是返回原始張量的視圖，但僅適用于連續(xù)張量。

當(dāng)你想重塑一個張量而不擔(dān)心它的連續(xù)性或復(fù)制行為時，你應(yīng)該使用torch.reshape()，當(dāng)你想重塑一個連續(xù)張量并確保它與原始張量共享相同的數(shù)據(jù)時，你應(yīng)該使用tensor. view()。

示例對比

場景 1：數(shù)據(jù)連續(xù)時，兩者行為一致

import torch# 創(chuàng)建一個連續(xù)存儲的張量 (2x3)
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print("原始形狀:", x.shape)      # (2, 3)
print("是否連續(xù):", x.is_contiguous())  # True# 使用 view 改變形狀 (3x2)
y = x.view(3, 2)
print("view 結(jié)果:", y)           # [[1, 2], [3, 4], [5, 6]]# 使用 reshape 改變形狀 (3x2)
z = x.reshape(3, 2)
print("reshape 結(jié)果:", z)        # [[1, 2], [3, 4], [5, 6]]

結(jié)果一致，且未復(fù)制數(shù)據(jù)（is_contiguous() 返回 True）。

場景 2：數(shù)據(jù)不連續(xù)時，view 失敗，reshape 成功

# 轉(zhuǎn)置后數(shù)據(jù)不再連續(xù)（原按行存儲，轉(zhuǎn)置后按列邏輯訪問）
x_transposed = x.t()
print("轉(zhuǎn)置后形狀:", x_transposed.shape)      # (3, 2)
print("是否連續(xù):", x_transposed.is_contiguous())  # False# 嘗試用 view 改變形狀 → 報錯！
try:y = x_transposed.view(2, 3)
except RuntimeError as e:print("view 錯誤:", str(e))  # "invalid argument: cannot view a non-contiguous tensor as ..."# 使用 reshape 成功（自動復(fù)制數(shù)據(jù)）
z = x_transposed.reshape(2, 3)
print("reshape 結(jié)果:", z)         # [[1, 4], [2, 5], [3, 6]]
print("是否連續(xù):", z.is_contiguous())  # True

場景 3：reshape 的靈活性（使用 -1）

# 不確定某一維度的大小時，僅用 reshape
x_2d = torch.randn(4, 6)  # 形狀 (4, 6)
# 將最后一維壓縮為總和，剩余維度自動推斷
y = x_2d.reshape(-1, 3)   # 結(jié)果形狀: (8, 3)
print(y.shape)              # torch.Size([8, 3])

因此，我們應(yīng)優(yōu)先用 view：當(dāng)數(shù)據(jù)連續(xù)且形狀明確時，view 更高效（零復(fù)制）；優(yōu)先用 reshape：需處理非連續(xù)數(shù)據(jù)、動態(tài)推斷維度或不確定形狀時。