关于numpy与torch的各自变量的.view()方法

当使用NumPy和PyTorch时，两者都具有类似的.view()方法，用于改变数组或张量的形状，但它们在一些方面有所不同。下面是关于这两个库的.view()方法的教程：

NumPy的.view()方法

在NumPy中，.view()方法用于创建一个数组的视图，允许你改变数组的形状，但不复制实际的数据。这对于节省内存和快速操作数组非常有用。以下是一个示例：

import numpy as np

# 创建一个原始数组
original_array = np.array([[1, 2, 3], [4, 5, 6]])

# 使用.view()方法创建一个形状不同的视图
reshaped_view = original_array.view()
reshaped_view.shape = (3, 2)

print(reshaped_view)
# 输出:
# array([[1, 2],
#        [3, 4],
#        [5, 6]])

# 修改视图中的数据会影响原始数组
reshaped_view[0, 0] = 99
print(original_array)
# 输出:
# array([[99,  2,  3],
#        [ 4,  5,  6]])

需要注意的是，NumPy的.view()方法不会总是返回一个新数组，它只是创建一个共享数据的新视图。如果你想要创建一个真正的新数组，可以使用.copy()方法。

PyTorch的.view()方法

在PyTorch中，.view()方法与NumPy的用法类似，用于改变张量的形状。同样地，它也只是返回一个视图，而不是复制数据。以下是一个示例：

import torch

# 创建一个原始张量
original_tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 使用.view()方法创建一个形状不同的视图
reshaped_view = original_tensor.view(3, 2)

print(reshaped_view)
# 输出:
# tensor([[1, 2],
#         [3, 4],
#         [5, 6]])

# 修改视图中的数据会影响原始张量
reshaped_view[0, 0] = 99
print(original_tensor)
# 输出:
# tensor([[99,  2,  3],
#         [ 4,  5,  6]])

需要注意的是，PyTorch的.view()方法与NumPy的有一些不同之处：

• 在PyTorch中，你可以直接提供目标形状作为参数，而不是使用.shape属性来设置。
• PyTorch也提供了.reshape()方法，它与.view()类似，但在某些情况下会返回一个新张量，而不是视图。

总之，无论是在NumPy还是PyTorch中，.view()方法都是用于改变数组或张量形状的有用工具，但要小心共享数据和修改原始数组/张量可能会影响视图的情况。如果需要创建一个独立的新数组/张量，可以考虑使用.copy()方法（NumPy）或.clone()方法（PyTorch）。