Python当中x.size()和x.shape有什么区别？

在 PyTorch 中，x.size() 和 x.shape 基本上是等价的，都用于获取 PyTorch 张量的维度信息，但是有一些微小的区别：

x.size()：

x.size() 是一个函数，调用时不需要加括号，返回一个元组（tuple），包含了 PyTorch 张量 x 的各个维度的尺寸信息。
例如，对于一个三维张量 x，可以使用 x.size() 获取该张量在每个维度上的尺寸大小，如 x.size() 可能返回 (3, 4, 5) 表示在第一个维度上尺寸为 3，在第二个维度上尺寸为 4，在第三个维度上尺寸为 5。

x.shape：

x.shape 是一个属性，直接访问，也返回一个元组（tuple），包含了 PyTorch 张量 x 的各个维度的尺寸信息。
与 x.size() 类似，x.shape 返回的结果也是张量在各个维度上的尺寸大小的元组。
实际上，x.size() 和 x.shape 返回的结果是相同的，都提供了相同的张量尺寸信息，只是调用方法稍有不同。

在实际应用中，x.size()和x.shape通常可以互换使用，用来获取张量的维度信息，而且返回的结果也是相同的。

示例代码：

import torch

# 创建一个张量
x = torch.randn(3, 4, 5)

# 使用 x.size() 获取张量尺寸信息
size_result = x.size()  # 返回值为元组 (3, 4, 5)

# 使用 x.shape 获取张量尺寸信息
shape_result = x.shape  # 返回值为元组 (3, 4, 5)

# 比较结果
print(size_result == shape_result)  # 输出 True

# 输出x在第二个维度上的长度
print("x.size(1): ", x.size(1))
print("x.shape[1]: ", x.shape[1])

输出为：

True
x.size(1):  4
x.shape[1]:  4