我们已经知道pytorch的tensor由“头信息区”和“storage”两部分组成，其中tensor的实际数据是以一维数组（storage）的方式存于某个连续的内存中的。。

1. tensor.view()

view 从字面意思上就是“视图”的意思，就是将原tensor以某种排列方式展示给我们，view()不会改变原storage、也不会新建storage，只新建头信息区。
本质上，view()返回的是针对一维storage的某种排列视图，并且这种视图只能是连续、等距切分storage再连续竖向叠加形成的视图，不能跳跃式切分，如下图例子。

注意：如果tensor是不连续的，则不能使用view()（https://www.jianshu.com/p/51678ea7a959）。

>>>a = torch.tensor([1,2,3,4,5,6])
>>>b = a.view(2,3)
>>>print(a)
tensor([1, 2, 3, 4, 5, 6])
>>>print(b)
tensor([[1, 2, 3],
        [4, 5, 6]])

# 查看两者头信息区，确实不一样
>>>print(id(a))
>>>print(id(b))
2639015088992
2639015088272

# 初步查看两者的storage，看起来一样
>>>print(a.storage())
>>>print(b.storage())
 1
 2
 3
 4
 5
 6
[torch.LongStorage of size 6]
 1
 2
 3
 4
 5
 6
[torch.LongStorage of size 6]

# 进一步确认两者的storage，确实一样
>>>print(a.storage().data_ptr())
>>>print(b.storage().data_ptr())
2638924338496
2638924338496

2. tensor.reshape()

我们知道，tensor不连续是不能使用 view() 方法的。
只有将不连续tensor转化为连续tensor（利用contiguous()，https://www.jianshu.com/p/51678ea7a959）后，才能使用view()。
reshape()正是先完成连续化，然后再进行view()。

reshape() 和 view() 的区别：
（1）当 tensor 满足连续性要求时，reshape() = view()，和原来 tensor 共用存储区；
（2）当 tensor不满足连续性要求时，reshape() = **contiguous() + view()，会产生有新存储区的 tensor，与原来tensor 不共用存储区。

3.tensor.resize_()

前面说到的 view()和reshape()都必须要用到全部的原始数据，比如你的原始数据只有12个，无论你怎么变形都必须要用到12个数字，不能多不能少。因此你就不能把只有12个数字的 tensor 强行 reshap 成 2×5 的。
但是 resize_() 可以做到，无论原始存储区有多少个数字，我都能变成你想要的维度，数字不够怎么办？随机产生凑！数字多了怎么办？就取我需要的部分！
1.截取时：
会改变原tensor a，但不会改变storage（地址和值都不变），且a和b共用storage（这里是2638930351680
）。

# 原tensor a
>>>a = torch.tensor([1,2,3,4,5,6,7])
>>>print(a)
>>>print(a.storage())
>>>print(a.storage( ).data_ptr())
tensor([1, 2, 3, 4, 5, 6, 7])
 1
 2
 3
 4
 5
 6
 7
[torch.LongStorage of size 7]
2638930351680

# b是a的截取，并reshape成2×3
>>>b = a.resize_(2,3)
>>>print(a)
>>>print(b)
tensor([[1, 2, 3],
        [4, 5, 6]]) #a变了
tensor([[1, 2, 3],
        [4, 5, 6]])

>>>print(a.storage())
>>>print(b.storage())
 1
 2
 3
 4
 5
 6
 7
[torch.LongStorage of size 7]
 1
 2
 3
 4
 5
 6
 7
[torch.LongStorage of size 7]

>>>print(a.storage( ).data_ptr())
>>>print(b.storage( ).data_ptr())
2638930352576
2638930352576

2.添加时：会改变原tensor a，且会改变storage（地址和值都变），但a和b还是共用storage（这里是2638924338752
）。

>>>a = torch.tensor([1,2,3,4,5])
>>>print(a)
>>>print(a.storage())
>>>print(a.storage( ).data_ptr())
tensor([1, 2, 3, 4, 5])
 1
 2
 3
 4
 5
[torch.LongStorage of size 5]
2638924334528

>>>b = a.resize_(2,3)
>>>print(a)
>>>print(b)
tensor([[1, 2, 3],
        [4, 5, 0]]) #a变了
tensor([[1, 2, 3],
        [4, 5, 0]])

>>>print(a.storage())
>>>print(b.storage())
 1
 2
 3
 4
 5
 0
[torch.LongStorage of size 6]
 1
 2
 3
 4
 5
 0
[torch.LongStorage of size 6]

>>>print(a.storage( ).data_ptr())
>>>print(b.storage( ).data_ptr())
2638924338752
2638924338752