Pytorch中view()函数的实现示例_Python

在pytorch中，view函数是一个极为重要的张量操作函数，其主要功能是对张量的形状进行重塑，与此同时会尽力维持张量中元素的总数不变。

1. 基本功能与语法

view函数的主要作用是改变张量的维度和大小，不过要保证重塑前后张量的元素总数相同。其语法格式如下：

tensor.view(*args)

这里的*args代表的是新的形状，它既可以是一个元组，也可以是多个用逗号分隔的整数。

x = torch.randn(2, 3, 4)  # 此时x的形状为[2, 3, 4]
y = x.view(2, 12)         # y的形状变为[2, 12]

x = torch.randn(6)        # x的形状是[6]
y = x.view(2, 3)          # y的形状变为[2, 3]

当在形状参数里使用-1时，pytorch会依据张量元素的总数以及其他维度的大小，自动推算出-1所对应的维度值。

x = torch.randn(2, 3, 4)  # x的形状为[2, 3, 4]
y = x.view(2, -1)         # y的形状是[2, 12]
z = x.view(-1, 3, 2)      # z的形状为[4, 3, 2]

view函数要求输入的张量必须是内存连续的。要是张量在内存中不连续，就需要先调用contiguous()函数。

x = torch.randn(2, 3)
y = x.t()                 # 对x进行转置操作，此时y在内存中不再连续
z = y.contiguous().view(3, 2)  # 先调用contiguous()，再使用view

view函数返回的是原张量的视图，而非新的张量。这就表明对视图进行修改时，原张量也会随之改变。

x = torch.tensor([1, 2, 3, 4])
y = x.view(2, 2)
y[0, 0] = 100
print(x[0])  # 输出结果为100

x = torch.randn(2, 2, 2, 2)  # x的形状为[2, 2, 2, 2]
y = x.view(2, 8)             # y的形状变为[2, 8]
z = x.view(-1)               # z是一个一维张量，形状为[16]

在深度学习模型里，view函数经常被用于调整输入或输出的形状，像在全连接层和卷积层之间进行过渡时就会用到。

# 模拟一个cnn输出
x = torch.randn(16, 3, 28, 28)  # 批量大小为16，3个通道，28×28的图像
y = x.view(16, -1)  # 将特征图展平为一维向量，形状变为[16, 2352]

在pytorch中，view和reshape都用于改变张量的形状，但它们在功能、内存管理和使用场景上存在关键差异。以下是详细比较：

view 的严格要求

x = torch.randn(2, 3)
y = x.t()  # 转置操作使 y 不连续
z = y.view(6)  # 报错：runtimeerror
z = y.contiguous().view(6)  # 正确：先转为连续张量

reshape 的灵活性

x = torch.randn(2, 3)
y = x.t()
z = y.reshape(6)  # 等价于 y.contiguous().view(6)，自动处理连续性

view 的视图特性

x = torch.tensor([1, 2, 3, 4])
y = x.view(2, 2)
y[0, 0] = 100
print(x[0])  # 输出: 100（原张量被修改）

reshape 的潜在拷贝

x = torch.tensor([1, 2, 3, 4])
y = x.t().reshape(2, 2)  # 因转置导致非连续，reshape 可能拷贝数据
y[0, 0] = 100
print(x[0])  # 输出: 1（原张量未被修改，reshape 创建了副本）

建议：若需确保性能且张量连续，优先使用 view；若不确定连续性或追求代码简洁，使用 reshape。

两者均支持 -1 作为占位符，pytorch 会自动计算该维度的大小：

x = torch.randn(2, 3, 4)
y = x.view(2, -1)  # y.shape: [2, 12]
z = x.reshape(-1, 3, 2)  # z.shape: [4, 3, 2]