Pytorch中view()函数的实现示例

tensor.view(*args)

x = torch.randn(2, 3, 4)  # 此时x的形状为[2, 3, 4]
y = x.view(2, 12)         # y的形状变为[2, 12]

x = torch.randn(6)        # x的形状是[6]
y = x.view(2, 3)          # y的形状变为[2, 3]

x = torch.randn(2, 3, 4)  # x的形状为[2, 3, 4]
y = x.view(2, -1)         # y的形状是[2, 12]
z = x.view(-1, 3, 2)      # z的形状为[4, 3, 2]

x = torch.randn(2, 3)
y = x.t()                 # 对x进行转置操作，此时y在内存中不再连续
z = y.contiguous().view(3, 2)  # 先调用contiguous()，再使用view

x = torch.tensor([1, 2, 3, 4])
y = x.view(2, 2)
y[0, 0] = 100
print(x[0])  # 输出结果为100

x = torch.randn(2, 2, 2, 2)  # x的形状为[2, 2, 2, 2]
y = x.view(2, 8)             # y的形状变为[2, 8]
z = x.view(-1)               # z是一个一维张量，形状为[16]

# 模拟一个CNN输出
x = torch.randn(16, 3, 28, 28)  # 批量大小为16，3个通道，28×28的图像
y = x.view(16, -1)  # 将特征图展平为一维向量，形状变为[16, 2352]

x = torch.randn(2, 3)
y = x.t()  # 转置操作使 y 不连续
z = y.view(6)  # 报错：RuntimeError
z = y.contiguous().view(6)  # 正确：先转为连续张量

x = torch.randn(2, 3)
y = x.t()
z = y.reshape(6)  # 等价于 y.contiguous().view(6)，自动处理连续性

x = torch.tensor([1, 2, 3, 4])
y = x.view(2, 2)
y[0, 0] = 100
print(x[0])  # 输出: 100（原张量被修改）

x = torch.tensor([1, 2, 3, 4])
y = x.t().reshape(2, 2)  # 因转置导致非连续，reshape 可能拷贝数据
y[0, 0] = 100
print(x[0])  # 输出: 1（原张量未被修改，reshape 创建了副本）

x = torch.randn(2, 3, 4)
y = x.view(2, -1)  # y.shape: [2, 12]
z = x.reshape(-1, 3, 2)  # z.shape: [4, 3, 2]