张量视图 ¶

PyTorch 允许一个张量成为现有张量的一个视图。视图张量与其基础张量共享相同的基本数据。支持 View 可以避免显式数据复制，从而允许我们进行快速且内存高效的重新塑形、切片和逐元素操作。

例如，要获取现有张量 t 的视图，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，如果在视图中编辑数据，它也会在基础张量中反映出来。

通常 PyTorch 操作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它解释相同数据的方式。对连续张量取视图可能会产生非连续张量。用户应特别注意，连续性可能具有隐含的性能影响。 transpose() 是一个常见示例。

>>> 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()

以下为 PyTorch 中视图操作的完整列表：

• 基本切片和索引操作，例如 tensor[0, 2:, 1:7:2] 返回基础 tensor 的视图，见下文说明。

• 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() （稀疏张量专用）

• values() （稀疏张量专用）

注意

当通过索引访问张量内容时，PyTorch 遵循 Numpy 的行为，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。更多示例请参阅 Numpy 索引文档。

值得注意的是，一些操作具有特殊的行为：

• reshape() 、 reshape_as() 和 flatten() 可以返回一个视图或新的张量，用户代码不应依赖于它是视图还是不是。

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

想要详细了解 PyTorch 内部实现，请参阅 ezyang 的 PyTorch 内部机制博客文章。