numpy与torch中关于矩阵变换函数的一些比较

numpy中的reshape，resize，transpose，swapaxes，flatten

torch中的view，transpose，reshape，permute，flatten

在NumPy和PyTorch中，许多张量操作方法功能相似但存在细节差异。以下是它们的对比分析：

一、Reshape 操作

1 NumPy: reshape

返回视图（如果内存连续），否则返回副本，不修改原数组。

a = np.arange(6).reshape(2, 3)

2 PyTorch: view

类似reshape，但要求张量内存连续（否则报错），不复制数据，返回视图。

b = torch.arange(6).view(2, 3)
x = x.contiguous().view(3, 4)  # 强制连续后使用view()

3 PyTorch: reshape

兼容view，但自动处理非连续张量（可能触发复制）。reshape操作相当于先把向量展平成一位向量，再重新规划矩阵形状。

c = torch.arange(6).reshape(2, 3)

特性	reshape	view
内存连续性要求	无（自动处理）	必须连续
返回类型	视图（连续时）或副本（非连续时）	视图（必须连续）
适用场景	通用形状调整	已知连续的快速形状调整

二、调整大小

NumPy: resize

直接修改原数组形状，可扩展或截断数据

a = np.array([1,2,3])
a.resize(5)  # 结果：[1,2,3,0,0]

三、转置操作

NumPy: transpose

反转轴顺序或指定轴交换，相当于torch中的transpose+permute。

a = np.arange(6).reshape(2,3)
a.transpose()  # 等价于 a.T

NumPy: swapaxes

交换两个指定轴。

a = np.ones((2,3,4))
a.swapaxes(0, 2)  # 形状变为 (4,3,2)

PyTorch: transpose

交换两个指定维度。

b = torch.arange(6).view(2,3)
b.transpose(0, 1)  # 形状变为 (3,2)

PyTorch: permute

更灵活的维度重排，可指定所有维度的顺序。

c = torch.rand(2,3,4)
c.permute(2,0,1)  # 形状变为 (4,2,3)

四、展平操作

NumPy: flatten

返回一维副本（无论内存是否连续）。

a = np.array([[1,2], [3,4]])
a.flatten()  # [1,2,3,4]

PyTorch: view(-1)

返回一维视图（要求内存连续）。

b = torch.tensor([[1,2], [3,4]]).view(-1)

PyTorch: torch.flatten()

类似NumPy的flatten，但支持指定起始维度。

c = torch.rand(2,3,4)
torch.flatten(c, start_dim=1)  # 形状变为 (2, 12)