【轻松掌握】PyTorch中 reshape() 和 view() 的区别详解

🌈 欢迎莅临我的个人主页 👈这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地！🎇

🎓 博主简介：985高校的普通本硕，曾有幸发表过人工智能领域的 中科院顶刊一作论文，熟练掌握PyTorch框架。

🔧 技术专长： 在CV、NLP及多模态等领域有丰富的项目实战经验。已累计一对一为数百位用户提供近千次专业服务，助力他们少走弯路、提高效率，近一年好评率100% 。

📝 博客风采： 积极分享关于深度学习、PyTorch、Python相关的实用内容。已发表原创文章500余篇，代码分享次数逾四万次。

💡 服务项目：包括但不限于科研入门辅导、知识付费答疑以及个性化需求解决。

欢迎添加👉👉👉底部微信（gsxg605888）👈👈👈与我交流
          （请您备注来意）
          （请您备注来意）
          （请您备注来意）

---

  

🔄一、引言

  在PyTorch中，reshape()和view()是两个常用于改变张量形状的函数。它们的功能看似相似，但实际上在使用上存在一些微妙的差异。本文将从基础开始，逐步深入解释这两个函数的作用、用法以及它们之间的主要区别，并通过代码示例加深理解。

💡二、reshape()函数的作用与用法

1. 作用

   reshape()函数用于改变张量的形状，而不会改变其数据。这意味着新的张量将包含与原始张量相同的数据，但具有不同的维度。

2. 用法

   使用reshape()函数时，你需要指定新的形状作为参数。例如，如果你有一个形状为(a, b)的张量，你可以使用reshape((c, d))将其更改为形状为(c, d)的新张量，其中a*b必须等于c*d以确保数据的完整性。

   import torch
   
   # 创建一个形状为(2, 3)的张量
   x = torch.tensor([[1, 2, 3], [4, 5, 6]])
   print("原始张量 x:")
   print(x)
   
   # 使用 reshape() 改变形状为 (3, 2)
   y = x.reshape((3, 2))
   print("使用 reshape() 后的张量 y:")
   print(y)
   

3. 注意事项

   reshape()函数在某些情况下可能会失败，特别是当原始张量在内存中不是连续存储时。这通常发生在通过切片、索引或其他操作修改张量之后。在这些情况下，你可能需要先使用contiguous()方法将张量转换为连续存储形式，然后再使用reshape()。

🔄三、view()函数的作用与用法

1. 作用

   view()函数与reshape()非常相似，也用于改变张量的形状而不会改变其数据。但是，view()在执行时会检查原始张量是否是连续的，并且其元素总数是否与新的形状匹配。

2. 用法

   使用view()函数时，你同样需要指定新的形状作为参数。但是，如果原始张量不是连续的，或者元素总数与新形状不匹配，view()将抛出一个错误。

   # 使用 view() 改变形状为 (3, 2)
   z = x.view((3, 2))
   print("使用 view() 后的张量 z:")
   print(z)
   
   # 尝试将非连续张量转换为新形状将失败
   non_contiguous_x = x[:, [1, 0, 2]]  # 通过索引操作得到非连续张量
   try:
       non_contiguous_x.view((3, 1))  # 尝试使用 view() 将会抛出错误
   except RuntimeError as e:
       print("尝试使用 view() 时的错误:", e)
   

3. 注意事项

   由于view()会检查张量的连续性和元素总数，因此它比reshape()更安全。但是，这也意味着在使用view()时，你需要确保原始张量是连续的，并且新形状的元素总数与原始张量匹配。

💡四、reshape()与view()的主要区别

  reshape()和view()的主要区别在于它们对张量连续性的处理方式不同。reshape()不会检查张量的连续性，因此它可能在某些情况下失败或产生意外的结果。而view()会检查张量的连续性，并在不满足条件时抛出错误，从而提供了更高的安全性。

  另外，由于view()会检查元素总数是否匹配，因此在使用view()时，你需要确保新形状的元素总数与原始张量匹配。而reshape()则没有这个限制。

🔄五、实际应用场景

  在实际应用中，reshape()和view()都可以用于改变张量的形状以适应不同的神经网络层或计算需求。但是，由于view()提供了更高的安全性，因此它通常被推荐用于需要严格保证数据完整性和一致性的场景。

  例如，在构建卷积神经网络时，你可能需要将输入图像重塑为适合网络输入的形状。在这种情况下，使用view()可以确保输入数据的连续性和完整性，从而避免潜在的错误和性能问题。

💡六、进阶话题：contiguous()函数

  contiguous()函数是PyTorch中用于检查张量是否连续存储的函数。如果张量是连续的，contiguous()将返回该张量本身；如果张量不是连续的，contiguous()将返回一个新的连续张量，该张量包含与原始张量相同的数据，但具有连续的内存布局。

1. 为什么要使用contiguous()？

   在PyTorch中，张量在内存中的布局可能会因为各种操作（如切片、索引、转置等）而变得不连续。不连续的张量在后续操作（如view()或某些需要连续内存的布局的CUDA操作）中可能会导致错误或性能下降。因此，使用contiguous()可以确保张量在内存中是连续存储的，从而避免这些问题。

2. 使用示例

   # 创建一个非连续张量
   non_contiguous_x = x[:, [1, 0, 2]]
   print("非连续张量:")
   print(non_contiguous_x)
   
   # 使用 contiguous() 转换为连续张量
   contiguous_x = non_contiguous_x.contiguous()
   print("连续张量:")
   print(contiguous_x)
   
   # 现在可以使用 view() 而不会出现错误
   contiguous_x_view = contiguous_x.view((2, 3))
   print("使用 view() 后的连续张量:")
   print(contiguous_x_view)
   

3. 注意事项

   虽然contiguous()可以确保张量是连续的，但它也会创建一个新的张量（如果原始张量不是连续的话）。这可能会增加内存使用和计算成本。因此，在不需要严格保证张量连续性的情况下，可以考虑避免使用contiguous()。

🔄七、总结与展望

  在本文中，我们深入探讨了PyTorch中reshape()和view()函数的作用、用法以及它们之间的主要区别。我们还介绍了contiguous()函数以及它在确保张量连续性方面的作用。通过代码示例和实际应用场景的讨论，我们希望能够帮助读者更好地理解这些函数的使用方法和注意事项。

  未来，随着深度学习技术的不断发展和PyTorch框架的不断完善，我们期待看到更多关于张量操作和优化的高级功能和技巧。同时，我们也希望读者能够继续深入学习和探索PyTorch框架的更多功能，以更好地满足自己在深度学习研究和应用中的需求。