view要求张量内存连续，reshape自动处理非连续情况；-1只能出现一次且需整除；转置后需contiguous()或直接用reshape；维度语义错位是常见隐患。
view 和 reshape 看起来一样，但底层行为不同
两者都用于改变 Tensor 的形状，但 view 要求张量内存必须是连续的，而 reshape 更“宽容”——它会在必要时自动调用 contiguous() 再 reshape。如果你遇到 RuntimeError: view size is not compatible with input tensor's size and stride，大概率是用了 view 但张量不连续。
- 先检查是否连续：
x.is_contiguous()，返回False就别硬用view - 安全起见，优先用
reshape；只有明确知道连续性且追求极致控制时才用view -
reshape在 PyTorch 1.2+ 才稳定支持，旧版本请升级或改用view+contiguous()
常见维度转换错误：-1 的用法和陷阱
-1 是自动推导维度的占位符，但只能出现一次，且推导结果必须是整数。很多人以为 “-1 就是‘不管它，算出来就行’”，却忽略了它依赖当前总元素数和其余维度乘积是否整除。
- 错误示例：
x.reshape(2, -1, -1)→ 报错，-1出现两次 - 隐性失败：
x = torch.randn(3, 4); x.reshape(5, -1)→ 报错，因为 3×4=12 不能被 5 整除 - 正确做法：先确认
x.numel()（总元素数），再确保其他维度乘积能整除它
转置后 reshape 失败：连续性被破坏了
像 transpose、narrow、flip、permute 这类操作通常会返回非连续张量，此时直接 view 必炸，reshape 虽能兜底，但可能掩盖性能问题。
- 典型链式写法错误：
x.transpose(0, 1).view(-1, 5)→ 可能报错或慢 - 推荐写法：
x.transpose(0, 1).contiguous().view(-1, 5)或更简洁地用reshape - 注意：频繁调用
contiguous()会触发内存拷贝，影响性能，尤其在训练循环里要留意
batch 维度错位：reshape 前没对齐语义
很多 bug 不是语法错，而是维度语义混乱。比如把 shape 为 (B, C, H, W) 的图像张量误当成 (B, H, W, C) 去 reshape，结果模型输入错乱，但代码不报错。
- 调试技巧：打印
x.shape和你“以为”的 shape，逐维比对 - 图像相关操作建议显式用
permute对齐，例如：x.permute(0, 2, 3, 1).reshape(-1, C) - 不确定时，用
torch.unsqueeze/torch.squeeze比盲目reshape更安全
view 和 reshape 的区别，而是每次 reshape 前，心里得清楚当前张量是谁、从哪来、下一步喂给谁——维度是数据的骨架，动它之前，先摸清它的结构。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
