pytorch 中 view 和reshape的区别

 

在 PyTorch（一个流行的深度学习框架）中，

reshape 和 view 都是用于改变张量（tensor）形状的方法，但它们在实现方式和使用上有一些区别。下面是它们之间的主要区别：

1. 实现方式：

   • reshape: reshape 方法创建一个新的张量，其元素与原始张量共享内存空间。这意味着改变形状后，原始张量和新的张量将共享相同的数据存储，所以在一个张量上的修改会影响到另一个张量。
   • view: view 方法并不会创建一个新的张量，而是返回一个与原始张量共享数据存储的新视图（view）。如果原始张量和新的视图张量上的元素被修改，它们会互相影响，因为它们共享相同的数据。

2. 支持条件：

   • reshape: 可以用于任意形状的变换，但需要确保变换前后元素总数保持一致，否则会抛出错误。
   • view: 只能用于支持大小相同的变换，也就是变换前后元素总数必须保持不变。这是因为 view 并不改变数据的存储，所以必须保持数据总量不变，否则会抛出错误。

3. 内存连续性：

   • reshape: 不保证新张量在内存中的连续性，即可能导致新张量的元素在内存中的存储顺序与原始张量不同。
   • view: 如果原始张量在内存中是连续存储的，那么新视图张量也会保持连续性，否则会返回一个不连续的张量。

4. 是否支持自动计算维度：

   • reshape: 可以通过将某个维度指定为-1，让 PyTorch 自动计算该维度的大小。
   • view: 不支持将维度指定为-1，需要手动计算新视图张量的大小。当对不连续的张量进行形状变换时，PyTorch 会自动将其复制为连续的张量，这可能会导致额外的内存开销。为了避免这种情况，你可以使用 contiguous() 方法将张量变为连续的。例如：x.contiguous().view(3, 4)。

   import torch
   
   # 原始张量
   x = torch.arange(12)
   
   # 使用 reshape
   x_reshaped = x.reshape(3, 4)  # 创建一个新的形状为(3, 4)的张量
   x_reshaped[0, 0] = 100  # 修改新张量的元素会影响到原始张量
   print(x)  # 输出 tensor([100,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11])
   print(x_reshaped)  # 输出 tensor([[100,   1,   2,   3], [  4,   5,   6,   7], [  8,   9,  10,  11]])
   
   # 使用 view
   x_viewed = x.view(3, 4)  # 创建一个新的形状为(3, 4)的张量视图
   x_viewed[0, 1] = 200  # 修改视图张量的元素会影响到原始张量
   print(x)  # 输出 tensor([100, 200,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11])
   print(x_viewed)  # 输出 tensor([[100, 200,   2,   3], [  4,   5,   6,   7], [  8,   9,  10,  11]])
   
   # 使用 view 自动计算维度大小
   x_auto_viewed = x.view(3, -1)  # 可以将某个维度指定为-1，让 PyTorch 自动计算大小
   print(x_auto_viewed)  # 输出 tensor([[100, 200,   2,   3], [  4,   5,   6,   7], [  8,   9,  10,  11]])
   
   # 由于 x_auto_viewed 是连续的，所以修改它也会影响原始张量 x
   x_auto_viewed[2, 2] = 300
   print(x)  # 输出 tensor([100, 200,   2,   3,   4,   5,   6,   7,   8,   9, 300,  11])