Представления тензоров

Создано: 07 мая 2026 г. | Последнее обновление: 07 мая 2026 г.

PyTorch позволяет тензору быть View существующего тензора. Тензор-представление использует те же базовые данные, что и исходный тензор. Поддержка View позволяет избежать явного копирования данных, благодаря чему можно быстро и эффективно использовать память для изменения формы, срезов и поэлементных операций.

Например, чтобы получить представление существующего тензора t, можно вызвать t.view(...).

>>> t = torch.rand(4, 4)
>>> b = t.view(2, 8)
>>> t.storage().data_ptr() == b.storage().data_ptr()  # `t` and `b` share the same underlying data.
True
# Modifying view tensor changes base tensor as well.
>>> b[0][0] = 3.14
>>> t[0][0]
tensor(3.14)

Поскольку представления используют те же базовые данные, что и исходный тензор, изменения данных в представлении также отразятся на исходном тензоре.

Обычно операция PyTorch возвращает новый тензор в качестве результата, например add(). Однако операции-представления возвращают представления входных тензоров, чтобы избежать ненужного копирования данных. При создании представления данные не перемещаются: тензор-представление лишь изменяет способ интерпретации тех же данных. Представление непрерывного тензора потенциально может быть несмежным. Пользователям следует учитывать, что смежность может неявно влиять на производительность. Распространённый пример — transpose().

>>> base = torch.tensor([[0, 1],[2, 3]])
>>> base.is_contiguous()
True
>>> t = base.transpose(0, 1)  # `t` is a view of `base`. No data movement happened here.
# View tensors might be non-contiguous.
>>> t.is_contiguous()
False
# To get a contiguous tensor, call `.contiguous()` to enforce
# copying data when `t` is not contiguous.
>>> c = t.contiguous()

Для справки ниже приведён полный список операций-представлений в PyTorch:

• Операции базовой индексации и индексирования, например tensor[0, 2:, 1:7:2] возвращает представление исходного тензора tensor; см. примечание ниже.
• adjoint()
• as_strided()
• detach()
• diagonal()
• expand()
• expand_as()
• movedim()
• narrow()
• permute()
• select()
• squeeze()
• transpose()
• t()
• T
• H
• mT
• mH
• real
• imag
• view_as_real()
• unflatten()
• unfold()
• unsqueeze()
• view()
• view_as()
• unbind()
• split()
• hsplit()
• vsplit()
• tensor_split()
• split_with_sizes()
• swapaxes()
• swapdims()
• chunk()
• indices() (только для разреженных тензоров)
• values() (только для разреженных тензоров)

Стоит также упомянуть несколько операций с особенностями поведения:

• reshape(), reshape_as() и flatten() могут возвращать как представление, так и новый тензор; пользовательский код не должен полагаться на то, будет ли результат представлением.
• contiguous() возвращает сам тензор, если входной тензор уже непрерывен; в противном случае она возвращает новый непрерывный тензор, копируя данные.

Более подробное описание внутренней реализации PyTorch см. в публикации в блоге ezyang о внутреннем устройстве PyTorch.