张量视图

PyTorch 允许一个张量成为现有张量的 View。视图张量与其基础张量共享相同的底层数据。支持 View 避免了显式的数据复制，从而允许我们进行快速且内存高效的重塑、切片和元素级操作。

例如，要查看现有的张量t，你可以调用t.view(...)。

>>> t = torch.rand(4, 4)
>>> b = t.view(2, 8)
>>> t.storage().data_ptr() == b.storage().data_ptr()  # `t` and `b` share the same underlying data.
True
# Modifying view tensor changes base tensor as well.
>>> b[0][0] = 3.14
>>> t[0][0]
tensor(3.14)

由于视图与其基础张量共享底层数据，因此如果你编辑视图中的数据，基础张量中的数据也会相应反映出来。

通常，一个 PyTorch 操作会返回一个新的张量作为输出，例如 add()。 但在视图操作的情况下，输出是对输入张量的视图，以避免不必要的数据复制。 创建视图时不会发生数据移动，视图张量只是改变了对相同数据的解释方式。 对连续张量进行视图操作可能会产生非连续张量。 用户应注意连续性可能对性能有隐含的影响。 transpose() 是一个常见例子。

>>> base = torch.tensor([[0, 1],[2, 3]])
>>> base.is_contiguous()
True
>>> t = base.transpose(0, 1)  # `t` is a view of `base`. No data movement happened here.
# View tensors might be non-contiguous.
>>> t.is_contiguous()
False
# To get a contiguous tensor, call `.contiguous()` to enforce
# copying data when `t` is not contiguous.
>>> c = t.contiguous()

作为参考，以下是 PyTorch 中完整的视图操作列表：

• 基本切片和索引操作，例如 tensor[0, 2:, 1:7:2] 返回基 tensor 的视图，参见下面的说明。

• adjoint()

• as_strided()

• detach()

• diagonal()

• expand()

• expand_as()

• movedim()

• narrow()

• permute()

• select()

• squeeze()

• transpose()

• t()

• T

• H

• mT

• mH

• real

• imag

• view_as_real()

• unflatten()

• unfold()

• unsqueeze()

• view()

• view_as()

• unbind()

• split()

• hsplit()

• vsplit()

• tensor_split()

• split_with_sizes()

• swapaxes()

• swapdims()

• chunk()

• indices() （仅限稀疏张量）

• values() （仅限稀疏张量）

注意

当通过索引访问张量的内容时，PyTorch 遵循 Numpy 的行为，即基本索引返回视图，而高级索引返回副本。 无论是基本索引还是高级索引的赋值都是原地进行的。更多示例请参见 Numpy 索引文档。

值得一提的还有一些具有特殊行为的操作：

• reshape(), reshape_as() 和 flatten() 可以返回视图或新张量，用户代码不应依赖于它是视图还是新张量。

• contiguous() 返回其自身如果输入张量已经是连续的，否则它通过复制数据返回一个新的连续张量。

有关PyTorch内部实现的更详细说明，请参阅ezyang关于PyTorch内部的文章。