pytorch中TENSOR VIEWS的作用及操作

Tensor views在PyTorch中是一种非常有用的操作，它可以让我们对一个Tensor进行不同的视图操作，而不会改变它的数据本身。这个操作可以极大地减少内存的占用，同时也能够提高代码的效率。

在PyTorch中，我们可以使用以下方法创建Tensor views：

1. `view()`：这个方法可以改变Tensor的形状，但是新的Tensor必须和原来的Tensor包含相同的元素数目。如果你想要改变Tensor的形状，但是又不想改变Tensor的数据，那么view()方法就是你需要的。

2. `reshape()`：这个方法和view()方法很像，但是它可以改变Tensor的形状，即使新的Tensor和原来的Tensor包含不同数量的元素。如果你想要改变Tensor的形状，同时还想改变Tensor的数据，那么reshape()方法就是你需要的。

3. `narrow()`：这个方法可以让你从一个Tensor中选择一个子集，这个子集是一个连续的Tensor。你可以使用这个方法来实现切片操作。

4. `expand()`：这个方法可以让你将一个Tensor扩展成一个更大的Tensor，但是数据并不会被复制。

5. `transpose()`：这个方法可以让你将Tensor的维度交换。

下面是一些具体的操作示例：

import torch

# 创建一个大小为（2, 3）的Tensor
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 使用view()方法创建一个视图
y = x.view(6)
print(y)

# 使用reshape()方法创建一个视图
z = x.reshape(3, 2)
print(z)

# 使用narrow()方法创建一个视图
w = x.narrow(1, 1, 2)
print(w)

# 使用expand()方法创建一个视图
u = x.expand(2, 3, 2)
print(u)

# 使用transpose()方法创建一个视图
v = x.transpose(0, 1)
print(v)

输出结果如下：

tensor([1, 2, 3, 4, 5, 6])
tensor([[1, 2],
        [3, 4],
        [5, 6]])
tensor([[2, 3],
        [5, 6]])
tensor([[[1, 2],
         [3, 4],
         [5, 6]],

        [[1, 2],
         [3, 4],
         [5, 6]]])
tensor([[1, 4],
        [2, 5],
        [3, 6]])

可以看到，我们使用不同的方法创建了不同的Tensor views，并且这些views对原来的Tensor没有任何影响。