PyTorch中veiw()，reshape() 的用法及其区别

一. veiw(), reshape()都是用于改变张量形状的函数，但是在实现上有一些差别。

二. veiw() 函数

1.作用：

        可以将张量重新组织为不同的维度和大小。它保持原始数据的顺序不变，并且不会创建新的内存副本。要注意的是，view()函数只能在改变形状的同时保持张量元素总数不变。

        注: 若Tensor在内存中的地址不是连续的，需要先使用contiguous()方法将原始tensor转换为满足连续条件的tensor，然后就可以使用view方法进行shape变换了。

2.实例：

（1）手动调整size

import torch

A = torch.arange(0,12)
print("A: ",A)
B = A.view(3,4)
print("B: ",B)
C = A.view(2,6)
print("C: ",C)

===========================================

A:  tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
B:  tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
C:  tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]])

（2）自动调整size

A = torch.arange(0,12)
print("A: ",A)
B = A.view(-1,4)
print("B: ",B)
C = A.view(2,-1)
print("C: ",C)

=============================================
A:  tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
B:  tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
C:  tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]])

 （3）分类器就是一个简单的nn.Linear()结构，输入输出都是一维的值，x = x.view(x.size(0), -1) 是为了将多维度的tensor展平成一维。

x = x.view(x.size(0), -1) 就是将网络的上一层输出的shape从第一维度开始将后面的维度展平，例如:前一层的输出shape是（1，512，1，1）经过x = x.view(x.size(0), -1)之后就变成了（1，512）

这样的操作所带来的影响就是网络转换的onnx在该层会多出一些冗余的层出来，为避免此现象可以改成 x = x.view(-1,512)

二. reshape() 函数

1.作用：

用于改变张量的形状(形状包括张量得尺寸和维度)，类似于view()函数，但它可以改变元素总数。它保持原始数据的顺序不变，并且也不会创建新的内存副本。即：在满足tensor连续性条件时，a.reshape返回的结果与a.view()相同，否则返回的结果与a.contiguous().view()相同。

2.实例：

 (1)reshape函数不改变原始张量数据的大小和顺序，而是将原始数据重组为新的张量，以符合新的形状。

import torch

# 创建一个形状为（2，4）的张量
x = torch.Tensor([[0, 1, 2, 3], [4, 5, 6, 7]])

# 将张量重新reshape为形状为（8，1）
x = x.reshape((8, 1))

# 输出重组后的张量
print(x)
------------------------------------------
tensor([[0.],
        [1.],
        [2.],
        [3.],
        [4.],
        [5.],
        [6.],
        [7.]])

(2)张量扩展是一种通过增加维度来扩展张量的方法。

import torch

# 创建一个形状为（4，）的向量
x = torch.Tensor([0, 1, 2, 3])

# 张量扩展:将向量扩展为形状为（1，4）的张量
x = x.reshape((1, 4))

# 输出横跨三个维度的张量
print(x)
---------------------------------
tensor([[0., 1., 2., 3.]])

 (3)将多维张量展平为一维向量。

import torch

# 创建一个形状为（2，3）的张量
x = torch.Tensor([[0, 1, 2], [3, 4, 5]])

# 展平张量
x = x.reshape((-1,))

# 输出展平后的张量
print(x)
---------------------------------------
tensor([0., 1., 2., 3., 4., 5.])

 3.注意事项：

 (1)元组总数必须相同

       当使用reshape函数重新排列张量维度时，必须确保所有张量元素的总数相同，否则会抛出异常。例如，不能将一个形状为（3，3）的张量reshape为（2，3）的张量，因为元素总数不一样。同样的理由，不能将形状为（3，3）的张量reshape为形状为（1，8）的张量，原因也是元素总数不一样。

 (2)某些操作可能需要变量的形状

       在PyTorch中，有些操作可能需要符合特定形状的变量。例如，当我们需要在两个张量上执行矩阵相乘时，这两个张量的形状必须符合矩阵相乘的规则。在这种情况下，我们可以使用reshape函数将一个形状不正确的张量转换为新的形状，以符合操作的需要。

 (3)reshape() 返回的是视图，而不是副本

        PyTorch的reshape函数返回的是原始张量的新视图，而不是副本，因此原始张量和新形状的张量共享相同的数据。如果更改其中一个张量，则其他张量可能会收到影响。这也意味着，如果我们修改了使用reshape函数返回的张量，原始张量的形状也将会被改变。如果需要避免这种情况，可以使用clone函数创建一个新的张量。

 (4)零维张量不能被展平

       零维张量是一种特殊情况，它们不具有任何形状，也不包含元素。在大多数情况下，我们会避免创建零维张量或使用零维张量上的reshape函数，因为它们会导致程序异常。例如，试图展平零维张量时将引发：只有具有非零元素的张量才能通过展平函数进行展平的异常。下面是一个异常代码示例：

import torch

# 创建一个Form为（）的零维张量
x = torch.Tensor(3)

# 试图展平零维张量时将引发异常
x = x.reshape((-1,))

# 异常信息：只有具有非零元素的张量才能通过展平函数进行展平
print(x)

 (5) PyTorch的张量可以在名称维中指定张量的名称。当我们使用reshape函数更改张量形状时，名称维也会自动更改。以下是一个示例代码：

import torch

# 创建一个形状为（2，3）的张量
x = torch.randn(2, 3)
x = x.name_("x")

# 将张量reshape为形状为（3，2）
y = x.reshape(3, 2)

# 输出张量名称和形状
print(y.name, y.shape)

需要注意的是，在使用view()或reshape()函数时，要确保改变张量形状后元素总数与原始张量相同，以避免出现错误。此外，当需要改变张量形状时，建议优先使用view()函数，因为它具有更高的效率和灵活性。