在 PyTorch 中，reshape 和 view 都用于改變張量的形狀，但它們在實現和使用上有一些重要的區別。理解這些區別對于在復雜的張量操作中選擇合適的方法非常關鍵。

view 方法

• 連續性要求：view 方法要求原始張量在內存中是連續的。如果張量不是連續的（即，內存布局不是順序的），需要先調用 contiguous 方法。
• 效率：如果張量是連續的，view 非常高效，因為它不復制數據，只是改變了張量的視圖。

示例

import torch# 創建一個張量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(f"原始張量:\n{tensor}")# 將張量重塑為 3x2
reshaped_tensor = tensor.view(3, 2)
print(f"view 重塑后的張量 (3x2):\n{reshaped_tensor}")# 如果張量不連續，需要先調用 contiguous
non_contiguous_tensor = tensor.t()  # 轉置使其非連續
print(f"非連續張量:\n{non_contiguous_tensor}")
contiguous_tensor = non_contiguous_tensor.contiguous().view(3, 2)
print(f"contiguous 后使用 view 重塑的張量 (3x2):\n{contiguous_tensor}")

輸出：

原始張量:
tensor([[1, 2, 3],[4, 5, 6]])
view 重塑后的張量 (3x2):
tensor([[1, 2],[3, 4],[5, 6]])
非連續張量:
tensor([[1, 4],[2, 5],[3, 6]])
contiguous 后使用 view 重塑的張量 (3x2):
tensor([[1, 4],[2, 5],[3, 6]])

reshape 方法

• 靈活性：reshape 方法更靈活，可以處理非連續的張量。它會嘗試返回一個與原始張量共享數據的新張量，但如果無法做到，它將創建一個新的張量，并復制數據。
• 效率：在處理非連續張量時，reshape 可能會比 view 慢，因為它可能需要復制數據。

示例

import torch# 創建一個張量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(f"原始張量:\n{tensor}")# 將張量重塑為 3x2
reshaped_tensor = tensor.reshape(3, 2)
print(f"reshape 重塑后的張量 (3x2):\n{reshaped_tensor}")# 非連續張量直接使用 reshape
non_contiguous_tensor = tensor.t()  # 轉置使其非連續
print(f"非連續張量:\n{non_contiguous_tensor}")
reshaped_non_contiguous_tensor = non_contiguous_tensor.reshape(3, 2)
print(f"reshape 直接重塑的張量 (3x2):\n{reshaped_non_contiguous_tensor}")

輸出：

原始張量:
tensor([[1, 2, 3],[4, 5, 6]])
reshape 重塑后的張量 (3x2):
tensor([[1, 2],[3, 4],[5, 6]])
非連續張量:
tensor([[1, 4],[2, 5],[3, 6]])
reshape 直接重塑的張量 (3x2):
tensor([[1, 4],[2, 5],[3, 6]])

總結

• view：

  • 要求原始張量是連續的。如果不是連續的，需要先調用 contiguous 方法。
  • 在連續張量上非常高效，因為它不會復制數據，只是改變了視圖。

• reshape：

  • 更加靈活，可以處理非連續的張量。
  • 嘗試返回一個共享數據的新張量，但如果不能實現，會創建一個新的張量并復制數據。

在實際使用中，如果你確定你的張量是連續的，并且你不希望創建數據的副本，使用 view 會更高效。而如果你的張量可能是非連續的，或者你希望更加靈活地重塑張量，reshape 會是更好的選擇。