Numpy 从批处理版本重建torch张量

这是如何构建三维张量的一个很好的示例：

import torch
y = torch.rand(100, 1)
batch_size = 10
batched_data = y.contiguous().view(batch_size, -1, y.size(-1)).transpose(0,1)
batched_data.shape

输出为：

torch.Size([10, 10, 1])

tensor([[[ 0],
         [10],
         [20],
         [30],
         [40],
         [50],
         [60],
         [70],
         [80],
         [90]],

        [[ 1],
         [11],
         [21],
         [31],
         [41],
         [51],
         [61],
         [71],
         [81],
         [91]],

好，现在我想做的是，从批处理的_数据开始，我想构建y。 反过来说。 对于强大的pytorch流线型代码有什么好的建议吗

==附加输入=====

我正在使用RNN，现在我有一些疑虑，因为如果你考虑下面的代码：

import torch
y = torch.arange(100).view(100,1)
batch_size = 10
batched_data = y.contiguous().view(batch_size, -1, y.size(-1)).transpose(0,1)
batched_data.shape

输出为：

torch.Size([10, 10, 1])

tensor([[[ 0],
         [10],
         [20],
         [30],
         [40],
         [50],
         [60],
         [70],
         [80],
         [90]],

        [[ 1],
         [11],
         [21],
         [31],
         [41],
         [51],
         [61],
         [71],
         [81],
         [91]],

我没料到。我希望有这样的情况：

---

[[1,2,3,4,5,6,7,8,9,10]，[11,12,13,14,15,16,17,18,19,20]，…

假设您要执行类似操作来重建y：

rebuilded_y = batched_data.transpose(0,1).view(*y.shape)

要使输入看起来像您期望的那样，您需要在批处理的_数据中删除转置和附加维度：

batched_data = y.contiguous().view(batch_size, -1)

---

如果你想为RNN准备输入，你需要知道它采用形状的3d张量，

seq_len，batch，input_size

。这里，

input_size

指的是功能的数量，在你的场景中，它是1。因此，形状

10，10，1

的输入张量仍然可以是RNN的有效输入

示例

rnn = nn.RNN(input_size=1, hidden_size=20, num_layers=1)
input = torch.randn(10, 10, 1)
output, hn = rnn(input)
print(output.size()) # 10, 10, 20

---

RNN的输出是有形状的，

seq\u len，batch，num\u directions*hidden\u size

谢谢。我认为这是正确的，但您对我在问题中添加的其他注释有何看法？