Python 重塑张量是否保留了原始张量的特征？

我有一个形状为

（8，5300）

的张量T，其中8是批次大小，5是每个批次中的文档数，300是每个文档的编码。如果我按照下面的方式重塑张量，我的张量的性质是否保持不变

T = T.reshape(5, 300, 8)
T.shape
>> Size[5, 300, 8]

那么，这个新的张量是否表示与原始张量相同的性质？关于属性，我的意思是，我能说这也是一个批量大小为8的张量，每个批量有5个文档，每个文档有300维编码吗

这是否会影响模型的培训？如果张量的重塑扰乱了数据点，那么训练就没有意义了。例如，如果像上面那样进行重塑，则输出为一批5个样本，每个样本有300个大小为8的文档。如果真是这样，那就没用了，因为我没有300个文档，也没有5个样本

我需要像这样重塑它，因为我的模型在两者之间产生形状的输出

[8,5300]

，下一层接受输入为

[5,300,8]

否

你需要理解和之间的区别

重塑

和

视图

仅更改张量的“

形状

”，而不重新排序元素。所以

orig=torch.rand（（8,5300））
resh=初始整形（5300,8）
源[0，0，：]！=resh[0，：，0]

如果还想更改元素的顺序，则需要

permute

it:

perm = orig.permute(1, 2, 0)
orig[0, 0, :] == perm[0, :, 0]

不！ 我犯了类似的错误。 假设您将二维张量（矩阵）转换为一维张量（数组），并对其应用变换功能。这将在代码中产生严重的问题，因为新的张量具有数组的特性。

---

希望你明白我的意思。

所以如果我想让我修改的张量表示一批8个样本，5个文档，每个文档代表300维文档，我需要对其进行排列，而不是对其进行正确的重塑？@MikePatel确切地说，这只会影响我重塑张量的层的参数，还是整个模型？问题是，在将其送入特定层之前，我对其进行了重塑，然后从输出中，我将其改回原始形状。我在开始训练后问了这个问题，现在，我只是检查是否得到了任何答案。不幸的是，我不得不再次训练我的模特：(