PyTorch中多次连续reshape操作是否等价于单次最终reshape？

针对示例代码的结论 #

你贴出的两段代码完全等价：

# 写法1：两次连续reshape
my_tensor = my_tensor.reshape(b, x, y)
my_tensor = my_tensor.reshape(b, x*y)

# 写法2：单次reshape到目标形状
my_tensor = my_tensor.reshape(b, x*y)

两种写法得到的最终张量数值、行为逻辑完全一致，不存在任何差异。

泛化场景结论 #

只要所有reshape操作满足合法前提（操作前后张量总元素个数完全相等，元素数不匹配时PyTorch会直接抛出运行时错误），任意次数的连续reshape操作，都等价于直接从初始张量执行一次reshape得到最终目标形状的操作。

核心逻辑说明 #

这个不变性是由torch.reshape的固定语义保证的：

• reshape永远不会打乱张量的元素逻辑顺序，它始终按照行优先（C序）遍历原张量的所有元素，再按完全相同的顺序把元素填充到目标形状的张量中。
• 大多数场景下reshape会返回原张量的视图，仅通过调整形状元组、步长（stride）参数完成形状映射，不会拷贝底层存储的数据；只有当原张量内存不连续、且无法通过调整步长匹配目标形状时，reshape才会触发数据拷贝生成新的连续张量，但哪怕触发拷贝，返回的张量元素顺序依然严格遵循行优先遍历的规则。
• 多次连续reshape的本质，是多次调整同一段顺序固定的元素序列的分块解释规则，全程没有改变元素本身的排列顺序，最终的分块结果自然和直接调整一次分块规则完全一致。

你可以用简单代码自行验证结论：

import torch
b, x, y = 2, 3, 4
# 初始化长度为b*x*y的一维张量
origin = torch.arange(b * x * y)
# 多步reshape结果
res_multi_step = origin.reshape(b, x, y).reshape(b, x*y)
# 单次reshape结果
res_single_step = origin.reshape(b, x*y)

# 输出为True，证明两个张量完全一致
print(torch.equal(res_multi_step, res_single_step))

注意：不要把reshape和permute、transpose这类维度交换操作混淆，后者会改变维度的遍历顺序，可能导致张量内存不连续，这类操作和reshape穿插时的结果需要单独分析，但纯连续reshape操作的等价性始终成立。

内容的提问来源于stack exchange，提问作者tbrugere