我认为这是不可能的，这里有一个最小的例子来说明我的观点。
考虑一个 Torch 。Tensor[1, 2, 3]，大小为(3,)。如果我们想在不执行复制的情况下扩展它，我们将创建一个新的Tensorview。例如，假设我们想创建一个包含原始Tensor值两倍的视图。即[1, 2, 3, 1, 2, 3]，其大小为(2*3,)。但是，不可能定义仅使用步幅的视图，原因如下：为了从1步进到2，或者从2步进到3，我们需要步幅值为1。但是为了从3步进到1，我们需要步幅值为-2，但是所实现的步幅系统对于给定轴不能具有不同的值。
我不能100%肯定这是不可能的。也许存在一个非常聪明的技巧，通过使用torch.as_strided()函数的storage_offset参数，或其他东西。而且，也许这个功能将在未来的版本中实现，例如，如果你试图设置一个负的步幅值，你会有错误

>>> torch.as_strided(torch.tensor([1, 2, 3]), size=(1,), stride=(-1,))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
RuntimeError: as_strided: Negative strides are not supported at the moment, got strides: [-1]

这表明这个功能将来可能会改变（这里我使用了pytorch1.13.0版）。
有人可能会说，你可以先用torch.Tensor.expand()展开一个新的维度，然后用flatten()得到结果，但这是行不通的，让我来解释为什么。在expand()的文档中，解释了这个函数返回Tensor的新的view（所以这并不做任何复制），在flatten()的文档中，解释了这个函数将尝试返回展平Tensor的视图，如果不可能，它将返回一个副本。那么让我们试试这个方法，并使用tensor.storage().nbytes()检查每一步Tensor的存储器大小：

>>> a = torch.tensor([1, 2, 3])
>>> print(a)
tensor([1, 2, 3])
>>> print(a.storage().nbytes())
24
>>> b = a.expand([2, 3])
>>> print(b)
tensor([[1, 2, 3],
        [1, 2, 3]])
>>> print(b.storage().nbytes())
24
>>> c = b.flatten()
>>> print(c)
tensor([1, 2, 3, 1, 2, 3])
>>> print(c.storage().nbytes())
48

正如我们所看到的，flatten()似乎不能返回展平Tensor的视图，因为c占用的内存是a的两倍。如果flatten()的pyTorch实现不能做到这一点，这可能意味着它确实不可能做到。