PyTorch 中 view 和 reshape 的区别是什么？

推荐答案

在 PyTorch 中，view 和 reshape 都用于改变张量的形状，但它们的行为有一些关键区别：

• view:

  • view 返回一个与原始张量共享数据的新张量，但形状不同。
  • 要求原始张量在内存中是连续的（contiguous），否则会抛出错误。
  • 如果张量不连续，需要先调用 contiguous() 方法。

• reshape:

  • reshape 也返回一个与原始张量共享数据的新张量，但形状不同。
  • 如果原始张量在内存中是连续的，reshape 的行为与 view 相同。
  • 如果原始张量不连续，reshape 会自动处理，返回一个连续的新张量。

本题详细解读

view 的使用场景

• view 适用于已知张量在内存中是连续的情况。
• 由于 view 要求张量是连续的，因此在某些情况下需要先调用 contiguous() 方法。

import torch

x = torch.arange(6)
y = x.view(2, 3)  # 成功，因为 x 是连续的
print(y)

reshape 的使用场景

• reshape 更加灵活，适用于不确定张量是否连续的情况。
• 如果张量不连续，reshape 会自动处理，返回一个连续的新张量。

import torch

x = torch.arange(6)
y = x.reshape(2, 3)  # 成功，即使 x 不连续，reshape 也会处理
print(y)

关键区别总结

• 连续性要求：view 要求张量是连续的，而 reshape 不要求。
• 自动处理：reshape 在张量不连续时会自动处理，而 view 会抛出错误。
• 性能：由于 reshape 可能需要复制数据，因此在性能上可能略低于 view。

代码示例对比

// www.javascriptcn.com code example
import torch

x = torch.arange(6).transpose(0, 1)  # 创建一个不连续的张量

# 使用 view 会抛出错误
try:
    y = x.view(2, 3)
except RuntimeError as e:
    print(f"view error: {e}")

# 使用 reshape 会成功
y = x.reshape(2, 3)
print(y)

在这个示例中，view 会抛出错误，而 reshape 会成功执行。