Pytorch中transpose后view和直接view操作张量输出不同是什么原因？

首先明确PyTorch两个API的底层逻辑区别：

• view：仅按照张量在内存中的存储顺序重新调整形状，不会改变元素的先后存储顺序，仅改变维度的拆分方式
• transpose：会交换指定的两个维度的顺序，会调整元素的内存排布逻辑，对应维度上的元素顺序会被重排

你的场景下的具体差异 #

你原始的张量A形状为(B=5, N²=100, C=20)，内存中元素的存储优先级为：batch维度 > 空间位置维度 > 通道维度，也就是先存第0个batch的第0个空间位置的全部20个通道值，再存第0个batch的第1个空间位置的全部20个通道值，依此类推。

第一种方法（逻辑正确，符合你的转换需求） #

你先执行A.transpose(2,1)，交换了最后两个维度，得到形状为(5, 20, 100)的张量，此时元素的存储逻辑变成：batch维度 > 通道维度 > 空间位置维度，也就是先存第0个batch第0个通道的全部100个空间位置值，再存第0个batch第1个通道的全部100个空间位置值。
后续执行view(5,20,10,10)，就是把连续的100个空间位置值按顺序拆成10×10的网格，最终得到的(B,C,N,N)张量完全符合常规的特征图维度排布逻辑。

第二种方法（逻辑错误，不符合转换需求） #

你直接执行A.view(5,20,10,10)，没有做任何维度交换，直接按照原始的存储顺序硬拆形状。相当于把「第0个空间位置的20个通道值 + 第1个空间位置的前若干值」强行拼凑为第一个通道的前若干元素，空间位置和通道的对应关系完全混乱，你看到的细微差异本质是逻辑不匹配导致的错误结果，和你的目标需求完全不符。

如果需要验证差异，你可以用更小的固定值张量测试，比如把N=2、C=2，手动赋值后看两种方法的输出，就能很明显看到对应关系的区别。

内容的提问来源于stack exchange，提问作者Suho Cho