張量檢視

PyTorch 允許張量成為現有張量的檢視。檢視張量与其基礎張量共用相同的底層資料。支援檢視可避免明確的資料複製，因此允許我們進行快速且記憶體效率高的重塑、切片和逐元素運算。

例如，若要取得現有張量t的檢視，您可以呼叫t.view(...)。

>>> t = torch.rand(4, 4)
>>> b = t.view(2, 8)
>>> t.storage().data_ptr() == b.storage().data_ptr()  # `t` and `b` share the same underlying data.
True
# Modifying view tensor changes base tensor as well.
>>> b[0][0] = 3.14
>>> t[0][0]
tensor(3.14)

由於檢視与其基礎張量共用底層資料，因此如果您編輯檢視中的資料，也會反映在基礎張量中。

通常，PyTorch 運算會傳回新的張量作為輸出，例如add()。但在檢視運算的情況下，輸出是輸入張量的檢視，以避免不必要的資料複製。建立檢視時不會發生資料移動，檢視張量只會變更其解譯相同資料的方式。取得連續張量的檢視可能會產生非連續張量。使用者應更加注意，因為連續性可能會對效能產生隱含影響。transpose()是一個常見的範例。

>>> base = torch.tensor([[0, 1],[2, 3]])
>>> base.is_contiguous()
True
>>> t = base.transpose(0, 1)  # `t` is a view of `base`. No data movement happened here.
# View tensors might be non-contiguous.
>>> t.is_contiguous()
False
# To get a contiguous tensor, call `.contiguous()` to enforce
# copying data when `t` is not contiguous.
>>> c = t.contiguous()

如需參考，以下是 PyTorch 中檢視運算的完整清單

• 基本切片和索引運算，例如tensor[0, 2:, 1:7:2]會傳回基礎tensor的檢視，請參閱下面的注意事項。

• adjoint()

• as_strided()

• detach()

• diagonal()

• expand()

• expand_as()

• movedim()

• narrow()

• permute()

• select()

• squeeze()

• transpose()

• t()

• T

• H

• mT

• mH

• real

• imag

• view_as_real()

• unflatten()

• unfold()

• unsqueeze()

• view()

• view_as()

• unbind()

• split()

• hsplit()

• vsplit()

• tensor_split()

• split_with_sizes()

• swapaxes()

• swapdims()

• chunk()

• indices()（僅限稀疏張量）

• values()（僅限稀疏張量）

注意

透過索引存取張量的內容時，PyTorch 會遵循 Numpy 的行為，即基本索引會傳回檢視，而進階索引會傳回複本。透過基本或進階索引進行的指派都是就地進行的。請參閱Numpy 索引文件中的更多範例。

還值得一提的是一些具有特殊行為的運算

• reshape()、reshape_as()和flatten()可以傳回檢視或新的張量，使用者程式碼不應依賴它是檢視還是新的張量。

• 如果輸入張量已經是連續的，則contiguous()會傳回自身，否則會透過複製資料來傳回新的連續張量。

如需更詳細的 PyTorch 內部實作說明，請參閱ezyang 關於 PyTorch 內部結構的部落格文章。