问题导入：
在使用PyTorch框架开发中，你是否也也遇到过这样的问题，就是明明获取了张量的切片，却发现修改了原张量后，切片的结果也跟着变！
我今天训练一个一个做下游mask完形填空任务的语言模型，
在书写整理函数是，我是这样写的：
然后正常训练模型
过程中发现我的训练指标一下就变得非常好看
损失值下降非常快，正确率可以用飙升来形容。
我觉得不可思议，所以决定把训练好的模型，去加载出来做测试
可是测试结果就是：
无论我预测什么句子，结果都是:
[MASK]
可问题出在哪里呢？ 我检查了几遍代码，确定逻辑没有问题的，那为题出在哪？？
没错！就是前面在获取正式标签时，没有做拷贝，只是用了切片。
一起看看看
使得模型训练时，只要将第16位置的值预测为[MASK]就可以将损失值降到最低，从而得到虚高的
训练指标，但是本质模型值学会了，预测为[MASK] ,任何句子都是将16位置预测为[MASK]
原因解析
这里我先写一段测试代码
import torch
arr =[
[1,2,3,4,5],
[4,5,6,7,8]
]
arr = torch.tensor(arr)
result = arr[:,3]
print(result) # tensor([4,7])
arr[:,3]=8
print(result) # tensor([8,8])这里可以发现，改变原始张量，通过切片获取的值也发生了改变、
但是这时候，可能很多朋友们回想为什么？
直觉告诉我们result应该保存修改前的值[4,7]，但实际输出却是修改后的值[8,8]。这与 Python 列表的行为截然不同：
在看看列表
# Python列表的行为
arr = [
[1,2,3,4,5],
[4,5,6,7,8]
]
result = [row[3] for row in arr] # 列表推导式获取第3列
for row in arr:
row[3] = 8
print(result) # 输出：[4, 7]（保持原始值）为什么会有这种差异？
答案就藏在 "视图" 与 "副本" 的区别中。
核心原理：视图（View）不是副本（Copy）
PyTorch 中，张量的切片操作返回的是视图（view） 而非副本（copy）：
视图：只是原张量数据的一个引用，不占用额外内存，与原张量共享同一块数据存储空间
副本：是原数据的完整复制，占用独立的内存空间，与原张量互不影响
这种设计是为了提高计算效率 —— 在处理大型张量时，频繁复制数据会导致内存浪费和性能下降。PyTorch 默认采用视图方式，避免了不必要的数据复制。
在我们的例子中：
result = arr[:,3]创建了一个视图，指向arr第 3 列的内存地址arr[:,3] = 8修改了这块内存中的值- 因此
result也会显示修改后的值
如何解决
获取真正的副本如果需要获取不受原张量影响的独立切片，可使用.clone()方法显式创建副本：
import torch
arr = torch.tensor([
[1,2,3,4,5],
[4,5,6,7,8]
])
result = arr[:,3].clone() # 创建副本而非视图
arr[:,3] = 8
print(result) # 输出：tensor([4, 7])（保持原始值）.clone()会创建一个全新的张量，拥有独立的内存空间，后续对原张量的修改不会影响副本。
所以之前我的获取label值的代码应该改为：
总结：
哪些操作返回视图，哪些返回副本？
PyTorch 中常见的返回视图的操作：
- 基本切片操作（如
arr[:, 3]、arr[1:3, :]） .view()方法（重塑张量形状）.transpose()和.permute()（维度转换）
返回副本的操作：
.clone()（显式复制）.detach()（在计算图中分离并复制）- 某些高级索引操作（如使用列表索引
arr[[0,2], :]）
注意：注意：高级索引（如arr[[0,1], [2,3]]）通常返回副本，但具体行为可能因情况而异，建议通过.clone()确保获得副本。
