在numpy中，我们ndarray.reshape()用于重塑数组。
我注意到在pytorch中，人们torch.view(...)出于相同的目的而使用，但同时也torch.reshape(...)存在着。
所以我想知道它们之间有什么区别，什么时候应该使用它们中的任何一个？
Answers:
torch.view已经存在了很长时间。它将返回具有新形状的张量。返回的张量将与原始张量共享基础数据。请参阅此处的文档。
另一方面，似乎torch.reshape 最近已在版本0.4中引入。根据文档，此方法将
返回具有与输入相同的数据和元素数量，但具有指定形状的张量。如果可能，返回的张量将是输入视图。否则，它将是副本。连续输入和具有兼容步幅的输入可以在不复制的情况下进行重塑，但是您不应该依赖复制与查看行为。
这意味着torch.reshape可能会返回原始张量的副本或视图。您不能指望它返回视图或副本。根据开发商的说法：
如果需要复制，请使用clone（）；如果需要相同的存储，请使用view（）。reshape（）的语义是它可能共享或可能不共享存储，并且您事先不知道。
另一个区别是reshape()可以同时在连续和非连续张量上view()运行，而只能在连续张量上运行。另请参阅此处有关的含义contiguous。
尽管两者torch.view和torch.reshape都用于重整张量，但这是它们之间的区别。
torch.view仅创建原始张量的视图。新的张量将始终与原始张量共享其数据。这意味着，如果您更改原始张量，则重塑后的张量将会更改，反之亦然。>>> z = torch.zeros(3, 2)
>>> x = z.view(2, 3)
>>> z.fill_(1)
>>> x
tensor([[1., 1., 1.],
[1., 1., 1.]])
torch.view规定了两个张量[的形状有些连续性约束文档。通常这不是问题，但torch.view即使两个张量的形状兼容，有时也会引发错误。这是一个著名的反例。>>> z = torch.zeros(3, 2)
>>> y = z.t()
>>> y.size()
torch.Size([2, 3])
>>> y.view(6)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
RuntimeError: invalid argument 2: view size is not compatible with input tensor's
size and stride (at least one dimension spans across two contiguous subspaces).
Call .contiguous() before .view().
torch.reshape不强加任何连续性约束，但也不保证数据共享。新张量可以是原始张量的视图，也可以是全新的张量。>>> z = torch.zeros(3, 2)
>>> y = z.reshape(6)
>>> x = z.t().reshape(6)
>>> z.fill_(1)
tensor([[1., 1.],
[1., 1.],
[1., 1.]])
>>> y
tensor([1., 1., 1., 1., 1., 1.])
>>> x
tensor([0., 0., 0., 0., 0., 0.])
TL; DR：
如果只想重塑张量，请使用torch.reshape。如果您还担心内存使用情况，并想要确保两个张量共享相同的数据，请使用torch.view。
x和y以上都是连续的）。也许可以澄清一下？也许在重塑何时可以复制时发表评论会有所帮助？