pytorch中reshape的使用小结

目录

• 基本语法
• 例子
• 特别的用法
• 使用1自动推算维度：
• torch.reshape(x, (-1,))将张量展平成一维（即向量）等效于x.flatten()
• 注意事项
• 保持元素数量一致：
• 总之，要接收返回的tensor

torch.reshape 是 PyTorch 中用于改变张量形状的函数。它的作用是重新安排张量的维度，使其符合指定的形状，但不会改变数据的顺序。

Returns a tensor with the same data and number of elements as input, but with the specified shape.

input_reshape = torch.reshape(input, shape)

或者：

input_reshape = input.reshape(shape)

• input(tensor)：输入张量。
• shape(tuple of int)：目标形状，可以是一个整数或一个整数元组，表示张量的新维度。

import torch

# 创建一个形状为 (4, 3) 的张量
x = torch.arange(12).reshape(4, 3)
print(x)

输出：

tensor([[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8],
        [ 9, 10, 11]])

你可以将这个张量重新调整成其他形状，比如将它变成一个 (2, 6) 的张量：

y = x.reshape(2, 6)
print(y)

输出：

tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]])

如果你不确定某个维度应该是多少，可以使用 -1 来自动推算。例如，如果你只知道张量的总元素数和某些维度，可以让 PyTorch 自动计算某个维度。

A single dimension may be -1, in which case it’s inferred from the remaining dimensions and the number of elements in input.

z = x.reshape(2, -1)  # PyTorch 会自动推算第二维度的大小
print(z)

输出：

tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]])

• 此时 PyTorch 会自动计算该维度的大小，计算公式为：

  新维度大小 = 原始张量的总元素数

• 因为要展成向量，所以只有一个维度（表示有多少个数），所以只需要一个-1，后面空着就行

  • 所以其实也可以写成 (-1)，即torch.reshape(x, (-1)) 但推荐保留逗号

注意：这跟 (1,-1)有区别，(-1,)是展平成一维向量，
而(1,-1)是1*n，这被视作二维的（一个维度是1个数，另一个维度是n个数）

例子：

x = torch.tensor([[0, 1],
                  [2, 3]])

x_vec = x.reshape(-1,)
print(x_vec)

x_matrix = x.reshape(1,-1)
print(x_matrix)

输出：

tensor([0, 1, 2, 3])
tensor([[0, 1, 2, 3]])

• 总元素数：2 × 2 = 4

• 执行 torch.reshape(x, (-1,)) 后：

  → 新形状为 (4,)

  → 结果：tensor([0, 1, 2, 3])

• 执行 torch.reshape(x, (1,-1)) 后：

  → 新形状为 (1,4)

  → 结果：tensor([[0, 1, 2, 3]])

使用 reshape 时，新形状的元素数量必须和原形状一致。例如，原来是 (4, 3)，总共有 12 个元素，不能reshape成 (3, 5) 因为会丢失元素。

# 错误的 reshape
# x.reshape(3, 5)  # 会抛出错误，无法reshape

• reshape 不会修改原始张量，它会返回一个新的张量，除非原张量已经在内存中是以连续的方式存储。

When possible, the returned tensor will be a view of input. Otherwise, it will be a copy. Contiguous inputs and inputs with compatible strides can be reshaped without copying, but you should not depend on the copying vs. viewing behavior.

• 如果原张量的内存布局不连续，reshape 会返回一个新的内存副本。
• torch.view 和 torch.reshape 在功能上相似，但 torch.view 要求张量是连续的，而 torch.reshape 会自动处理不连续的张量。

到此这篇关于pytorch中reshape的使用小结的文章就介绍到这了,更多相关pytorch reshape内容请搜索风君子博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持风君子博客！

您可能感兴趣的文章:

• pytorch中的reshape()、view()、nn.flatten()和flatten()使用
• Pytorch实现List Tensor转Tensor,reshape拼接等操作
• PyTorch中view()与 reshape()的区别详析
• 基于PyTorch的permute和reshape/view的区别介绍
• pytorch 在sequential中使用view来reshape的例子