目录
reshape(shape)%20%E5%92%8C%20torch.view(shape)%E5%87%BD%E6%95%B0%E7%94%A8%E6%B3%95-toc" style="margin-left:80px;">1. torch.reshape(shape) 和 torch.view(shape)函数用法
2. 当处理的tensor是连续性的(contiguous)
3. 当处理的tensor是非连续性的(contiguous)
4. PyTorch中的contiguous
在本文开始之前，需要了解最基础的Tensor存储方式，具体见 Tensor数据类型与存储结构
注：如果不想继续往下看，就无脑使用reshape()函数来进行tensor处理！！
reshape(shape)%20%E5%92%8C%20torch.view(shape)%E5%87%BD%E6%95%B0%E7%94%A8%E6%B3%95">1. torch.reshape(shape) 和 torch.view(shape)函数用法
torch.reshape() 和 torch.view()不会修改tensor内部的值，只是对tensor的形状进行变化，里面只包含了shape的参数，shape为当前tensor改变后的形状
示例：将x改变成shape为[2,3] 和 [3,2]的方式，reshape和view均可
python">x = torch.tensor([1, 2, 3, 4, 5, 6])
y1 = x.reshape(2, 3)
y2 = x.view(3, 2)
print(y1.shape, y2.shape) # torch.Size([2, 3]) torch.Size([3, 2])2. 当处理的tensor是连续性的(contiguous)
当tensor是连续的，torch.reshape() 和 torch.view()这两个函数的处理过程也是相同的，即两者均不会开辟新的内存空间，也不会产生数据的副本，只是新建了一份tensor的头信息区，并在头信息区中指定重新指定某些信息，如stride , 并没有修改这个tensor的存储区 Storage。
示例：尽管y1和y2的stride不同，但他们的storage()是相同的
python">x = torch.tensor([1, 2, 3, 4, 5, 6])
y1 = x.reshape(2, 3)
y2 = x.view(3, 2)
print(y1.stride(), y2.stride()) # (3, 1) (2, 1)
print(y1.storage().data_ptr() == y2.storage().data_ptr()) # True3. 当处理的tensor是非连续性的(contiguous)
view()：在调用view()函数之前需要先调用 contiguous()方法，即x.contiguous().view()。但这种方法变换后的tensor就不是与原始tensor共享内存了，而是重新开辟了一个空间。
reshape()：仅需要直接调用reshape()函数即可，返回结果等同于 contiguous().view()。
示例：通过transpose将x变成了 uncontiguous，然后使用contiguous().view()和reshape()均会重新开辟一个新空间，不与原始tensor共享内存了。
python">x = torch.tensor([1, 2, 3, 4, 5, 6]).reshape(2, 3).transpose(0, 1)
print(x.is_contiguous()) # False
print(x.storage().data_ptr()) # 1690151067136
y1 = x.contiguous().view(2, 3)
print(y1.storage().data_ptr()) # 1690151068544
y2 = x.reshape(2, 3)
print(y2.storage().data_ptr()) # 16901510767364. PyTorch中的contiguous
上面说了这么多，什么情况下是连续的，什么时候不连续呢？很简单，在PyTorch中定义了：(不)连续：Tensor底层一维数组元素的存储顺序与Tensor按行优先一维展开的元素顺序是否一致
比如：可以通过storage()查看底层一维数组的存储顺序，通过is_contiguous()判断是否连续
python">x = torch.tensor([1, 2, 3, 4, 5, 6]).reshape(2, 3)
print(x.storage()) # 1 2 3 4 5 6
print(x.is_contiguous()) # True
xt = x.transpose(0, 1)
print(xt.storage()) # 转置后，底层存储仍为 1 2 3 4 5 6
print(xt.is_contiguous()) # Falsex按行展开后与x.stoage()相同，而xt按行展开后与stoage()不同，所以x是连续的，xt是不连续的。那我们继续实验，将xt再次进行转置，变成 xtt，xtt与原始x相同，所以变为连续
python">x = torch.tensor([1, 2, 3, 4, 5, 6]).reshape(2, 3)
print(x.storage()) # 1 2 3 4 5 6
print(x.is_contiguous()) # True
xtt = x.transpose(0, 1).transpose(0, 1)
print(xtt.storage()) # 转置的转置后，底层存储为 1 2 3 4 5 6，按行展开仍为 1 2 3 4 5 6
print(xtt.is_contiguous()) # True导致导致不连续的函数常见有：transpose(), permute(), narrow(), expand()等
注：推荐一篇讲contiguous非常好的文章：PyTorch中的contiguous - 知乎
