.contiguous().flatten()是否与PyTorch中的.view(-1)相同？

Question

这些完全一样吗？

myTensor.contiguous().flatten()
myTensor.view(-1)

他们会返回相同的自动梯度功能等吗？

Answer 1

不，它们不完全一样。

• myTensor.contiguous().flatten()

在这里，contiguous()要么返回存储在连续内存中的myTensor副本，要么返回myTensor本身(如果它已经是连续的)。然后，flatten()将张量重塑为一个一维。但是，返回的张量可能是与myTensor、视图或副本相同的对象，因此不能保证输出的连续性。

相关文档

还值得一提的是一些具有特殊行为的操作：

• reshape()、reshape_as()和flatten()可以返回视图或新的张量，用户代码不应该依赖于它是否是视图。
• 如果输入张量已经是连续的，contiguous()返回自己，否则它通过复制数据返回一个新的连续张量。
• myTensor.view(-1)

在这里，view()返回一个与myTensor相同数据的张量，并且只有在myTensor已经是连续的情况下才能工作。结果可能不是毗连的取决于myTensor的形状。

Answer 2

一些例子：

xxx = torch.tensor([[1], [2], [3]])
xxx = xxx.expand(3, 4)
print ( xxx )
print ( xxx.contiguous().flatten() )
print ( xxx.view(-1) )


tensor([[1, 1, 1, 1],
        [2, 2, 2, 2],
        [3, 3, 3, 3]])
tensor([1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3])
---------------------------------------------------------------------------
RuntimeError                              Traceback (most recent call last)
<ipython-input-7-281fe94f55fb> in <module>
      3 print ( xxx )
      4 print ( xxx.contiguous().flatten() )
----> 5 print ( xxx.view(-1) )

RuntimeError: view size is not compatible with input tensor's size and stride (at least one dimension spans across two contiguous subspaces). Use .reshape(...) instead.