Pytorch量处理中的一些小细节（reshape和view，cat和Unet中心剪裁以及警告：UserWarning: non-inplace resize is deprecated warn）-优快云博客

view与reshape

两个三位张量进行沿通道拼接，其他维度数不变

关于中心裁剪

关于UserWarning: non-inplace resize is deprecated warnings.warn("non-inplace resize is deprecated")

view与reshape

reshape方法会尝试创建一个新的张量，其元素与原始张量共享内存空间。如果原始张量在内存中是连续的，reshape将返回一个指向相同数据的新张量视图；如果原始张量在内存中不连续，reshape可能会先将其复制为连续的张量，然后再返回新形状的张量。这意味着，在某些情况下，reshape可能会导致额外的内存开销。

view方法则不会创建一个新的张量，而是直接返回一个与原始张量共享数据存储的新视图。如果原始张量和新的视图张量上的元素被修改，它们会互相影响，因为它们共享相同的数据。

注意：上述话的的意思其实就是，reshape方法会创建一个新张量，而view方法不会，他们两个返回的数据都是和原始张量在同一片空间，这一点我们可以使用resize_（）方法进行验证，然后reshape会依据原始张量是否连续来进行相应的操作，但是view不行，如果原始数据不连续的话他就没办法操作里，（就会报错）。

这里提到了张量的连续性，那么这个连续性究竟是什么？

关于连续

如果原始张量是连续的，那么它的一维展开顺序与按行优先存储的顺序一致。

举个例子：

首先我们要知道：在PyTorch中，张量（Tensor）的实际数据以一维数组（storage）的形式存储于连续的内存中，通常采用“行优先”的存储方式。这意味着，当张量被视为多维数组时，其元素在内存中的排列顺序是按照行（或称为“外层维度”）来确定的。

而转置（transpose）操作会改变张量的维度顺序，但不会改变其底层数据的物理位置。例如，一个形状为(m, n)的二维张量在转置后，其形状变为(n, m)，但转置前后的张量共享同一个底层存储（storage）

例如：

假设有一个形状为(2, 3)的二维张量a，其内容为[[1, 2, 3], [4, 5, 6]]。在内存中，这个张量的一维展开顺序是[1, 2, 3, 4, 5, 6]。当对a进行转置操作得到张量b（形状为(3, 2)）时，虽然b的内容仍然是[1, 2, 3, 4, 5, 6]，但按照(3, 2)的形状来访问时，其元素在内存中的排列顺序就不再是[1, 2, 3, 4, 5, 6]了（实际上，由于共享同一个storage，物理上的排列顺序并未改变，但逻辑上的访问顺序变了）。因此，b被视为非连续张量。

所以我们就说，如果一个连续的数据转置后，他一维展开顺序发生变化，但是他在物理存储顺序还是和之前一样，所以就不连续。

判断是否连续的方法：.is_contiguous()

reshape和view区别的验证

import torch

a=[[1,2,3],[1,2,3]]
b1=torch.tensor(a)
b2=torch.tensor(a)
b3=torch.tensor(a)
print('b1是否连续:',b1.is_contiguous())
print('b2是否连续:',b2.is_contiguous())
print('b3是否连续:',b2.is_contiguous())
print('b1.shape:',b1.shape)
print('b2.shape:',b1.shape)
print('b3.shape:',b2.shape)
print('*---------------------------*')
c1=b1.reshape(3,2)
c2=b2.view(3,2)
print('c1:',c1)
print('c1的地址：',id(c1))
c1.resize_(2,3)
print('c1',c1)
print('b1:',b1)
print('c1的地址：',id(c1))
print('c1是否连续:',c1.is_contiguous())
print('*---------------------------*')
print('c2:',c2)
print('c2的地址：',id(c2))
c2.resize_(2,3)
print('c2',c2)
print('b2:',b2)
print('c2的地址：',id(c2))
print('c2是否连续:',c2.is_contiguous())
print('*---------------------*')
b3=torch.t(b3)
print('b3:',b3)
print('b3是否连续:',b3.is_contiguous())
print('对b3使用view方法:')
print(b3.view(2,3))