pytorch reshape view clone的区别

reshape view作为pytorch中torch的常用操作，有一些小细节需要注意一下。

x = torch.arange(12)
print('x')
print(x)
print(id(x))

y = x.reshape(3,4)
print('y')
print(y)
print(id(y))

x[:] = 2
print('x')
print(x)

print('y')
print(y)

以上代码输出结果为

x
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
140575189363840
y
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
140575189361680
x
tensor([2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
y
tensor([[2, 2, 2, 2],
        [2, 2, 2, 2],
        [2, 2, 2, 2]])

可以看到，x进行reshape操作后生存的y,在地址上是不一样的。但是当x的元素值修改时，y的元素值也跟着修改，这表明reshape操作可以理解为仅仅创建了一个新的指向数据的指针，并没有去开辟新的内存空间，复制新的一份数据。也就是说，reshape操作后，数据存储还是一份，但是指向該数据的指针增多一个。

同时，与reshape操作类似，view也是同种效果.

这表明，reshape操作和view操作都是创建一个新的指针变量，指向原有的数据。尽管数据的shape不一样，但是值是一样的。

那么如何复制原有数据，并且完全创建新的一份数据呢，使得两份数据之间互不干扰？

可以使用clone函数。

x = torch.arange(12)
print('x')
print(x)
print(id(x))
y = torch.clone(x).reshape(3,4)
print('y')
print(y)
print(id(y))
x[:] = 2
print('x')
print(x)
print('y')
print(y)

结果为

x
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
140575196239024
y
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
140575189994624
x
tensor([2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
y
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

总结

1.使用reshape或者view操作后，数据的指针变量修改，但是数据并没有改。因此修改数据数值，会同时影响多个变量。

2.要想完全复制新的一份数据，包括开辟内存空间，赋予新的指针变量，使用clone函数。

 

这里有一个博客写得相当不错

https://blog.csdn.net/Flag_ing/article/details/109129752?