一句话定义：视图（View）只是原始数据上的一个“取景框”，它只记录从哪个位置开始看、按什么方式看，并不搬动内容；拷贝（Copy）则是把内容完整复制一份，存放到新的内存里。
在 NumPy、PyTorch 这类库里，一个张量（tensor）其实是两样东西：一块实实在在的内存，加上少量元数据，包括数据从哪个位置开始（offset）、每沿某一维前进一步跨过多少个元素（stride，步长）、形状（shape）是什么、元素是什么类型（dtype）。真正占空间的只有内存那一半。
打个比方：图书馆里的一本书是原始数据，目录卡片上写着“第 3 章从第 88 页开始，每页 40 行”。reshape（重排形状）、transpose（转置）、切片（slicing）这些操作，改动的只是卡片，书本身没有动。所以它们快得离谱：耗时几乎与数据量无关。一个几十 GB 的张量做一次转置，可能比你眨一次眼还快，因为它一个字节都没有搬动。而 copy 相当于把整本书复印一份，耗时随数据量线性增长。
理解这一切的关键是 stride。转置之所以是 O(1)，是因为它只交换了两个维度的 stride；但代价是数据在内存里不再连续，之后真要逐元素计算时，CPU 就得跳着地址读，同样的运算反而变慢。同一个操作，既能“快得离谱”，也能“慢得可疑”，原因就在这里。reshape 能不能算视图，取决于新形状能否用一组新 stride 描述同一块内存：能，就是视图；不能（比如转置后强行拉平），就只能拷贝。PyTorch 的 .view() 在无法返回视图时会直接报错，.reshape() 则会静默地拷贝一份；前者提醒你，后者可能让你不知不觉中多付了拷贝开销。
| 视图 View | 拷贝 Copy | |
|---|---|---|
| 内存 | 复用原内存 | 新分配一块内存 |
| 耗时 | 基本与数据量无关 | 与元素个数成正比 |
| 修改影响 | 会改动原数据 | 互不影响 |
| 典型操作 | 切片、transpose、部分 reshape、expand | .copy()、.clone()、.contiguous()、布尔掩码索引 |
表格里最后一行值得留意：用布尔数组做索引（fancy indexing）必然返回拷贝，因为它选出的元素在内存里不再规则排列。
对实际工作的意义有三点。其一，切片是视图，改切片就等于改原数据，这是最常见的一类 bug；排查时改一个值，看原数组变不变即可。其二，视图不释放内存：从一个大数组里切出一小片存起来，整个底层 buffer 仍被它引用着，内存或显存就会莫名其妙地爆掉。其三，想彻底断开联系，就显式拷贝一份。
判断是否共享底层存储，NumPy 可以看 np.shares_memory，PyTorch 可以比对 .data_ptr()，具体行为以官方文档为准。经验法则是：只改变“看待方式”的操作是 O(1)；一旦涉及元素顺序真正重排、类型转换或规则之外的索引，大概率要付出拷贝的代价。