PyTorch张量通过view进行类型转换为何未丢失信息？

核心原因是**view方法并没有修改张量底层的二进制数据，只是改变了PyTorch解读这些数据的方式**，和真正的类型转换（比如to()/type()）完全不同。

具体拆解你的操作流程： #

• 原始张量t（torch.float）：内存中存储的是每个浮点数对应的二进制位（比如float32是4字节/元素，float16是2字节/元素），所有数值的二进制都是精确可表示的（比如1.875、-0.6875这类数，二进制没有舍入误差）。
• t.view(torch.uint8)：这一步没有做任何数据转换，只是告诉PyTorch：把原来存储浮点数的那片连续内存，当成uint8类型的数组来读取。内存里的二进制位完全没变，只是解读方式变了。
• 转numpy数组再转回torch张量：CPU上的张量转numpy时默认共享内存（除非显式拷贝），torch.as_tensor也会直接复用numpy数组的内存，所以这两步都没碰到底层的二进制数据。
• view(torch.float)：再次把内存中的二进制位，按照原来的torch.float类型规则解读，自然就能还原出原始的浮点数数值，不会丢失信息。

关键区别：view vs 真正的类型转换 #

如果用to(torch.uint8)或者type(torch.uint8)这类方法，才是真正的数值转换：会把浮点数的数值转换成uint8的整数（比如1.875→1，-0.6875→0），这时候底层二进制数据已经被修改，再转回浮点数就会丢失信息。

比如对比操作：

>>> t.to(torch.uint8)
tensor([ 1,  0,  0,  0,  1,  0,  0,  0,  0,  0], dtype=torch.uint8)
>>> t.to(torch.uint8).view(torch.float)
# 这里得到的数值会完全和原始张量不同，因为底层数据已经被修改

内容的提问来源于stack exchange，提问作者Sahil Gupta