PyTorch中reshape()与view()的区别、内存开销及选型指南

核心区别 #

• view()：有个硬性限制——只能处理内存连续存储的张量（可通过tensor.is_contiguous()判断状态）。它本质是给原张量换了个“读取视角”，完全不改动内存布局，也不会创建新内存空间。如果张量内存不连续，调用view()会直接抛出错误。
• reshape()：属于“通用型选手”，不管原张量内存是否连续都能正常工作。若内存连续，它的效果和view()完全一致；若内存不连续，会自动把原张量的数据复制到一块连续内存区域，再返回新的视图。

为什么要同时存在这两个方法？

• view()是轻量快捷的选项，适合你明确知道张量内存连续的场景，能避免不必要的内存复制；
• reshape()是兜底的通用选项，不用你手动检查内存连续性，适合不确定张量状态的场景，比如处理过转置、维度交换后的张量。

内存占用与性能开销 #

• 当张量内存连续时：reshape()和view()都不会创建新的内存副本，内存占用完全相同，性能开销可以忽略不计，都是直接返回原张量的视图。
• 当张量内存不连续时：view()直接报错；reshape()会生成一个和原张量大小一致的连续内存副本，此时会占用额外内存，性能开销也更高——毕竟要完成数据从零散内存块到连续区域的复制操作。

在大数据、资源紧张的场景下，如果你能确定张量是连续的，优先用view()，完全无额外开销；如果不确定或者张量不连续，只能用reshape()，但要注意这时候的内存复制成本，要是之后还要对该张量做多次操作，提前调用tensor.contiguous()转成连续张量，后续再用view()会更高效。

如何选择使用 #

• 用view()：你明确知道张量内存是连续的（比如刚创建的张量、刚用view/reshape处理过的张量、手动调用过contiguous()的张量），追求零额外开销的时候。
• 用reshape()：张量内存不连续（比如做过transpose、permute、narrow等操作），或者你懒得检查张量是否连续的时候。

代码示例 #

reshape()用法

x = torch.tensor([1, 2, 3, 4, 5], dtype = torch.float32)
x = x.reshape(-1, 1)

view()用法

x = x.view(x.shape[0], 1)

内容的提问来源于stack exchange，提问作者Piyush Joshi