如何展平pytorch中的张量？_Pytorch

如何展平pytorch中的张量？

pytorch

如何展平pytorch中的张量？,pytorch,Pytorch,给定一个多维张量，我如何展平它，使它有一个一维例如：如何将其展平以形成形状： torch.Size([30]) TL；DR:torch.flatte（）在以下文件中介绍并记录的用途：对于v0.4.1和更早版本，使用使用t.重塑（-1）：如果请求的视图在内存中是连续的这将相当于，并且不会复制内存否则它将相当于t..view（-1）其他非选择： t.view（-1） t.resize（-1）给出RuntimeError（见下文） t.resize（t.numel（））（见

给定一个多维张量，我如何展平它，使它有一个一维

例如：

如何将其展平以形成形状：

torch.Size([30])

TL；DR:

torch.flatte（）

在以下文件中介绍并记录的用途：

对于v0.4.1和更早版本，使用

使用

t.重塑（-1）

：

如果请求的视图在内存中是连续的这将相当于，并且不会复制内存

否则它将相当于

t.

.view（-1）

其他非选择：

```
t.view（-1）
```
```
t.resize（-1）
```
给出
```
RuntimeError
```
（见下文）
```
t.resize（t.numel（））
```
（见下文讨论）

（注意：

pytorch

的

restrape（）

可能会更改数据，但是。）

t.resize（t.numel（））

需要一些讨论。报告说：

存储被重新解释为C-连续，忽略当前步幅（除非目标大小等于当前大小，在这种情况下，张量保持不变）

考虑到当前步幅将被新的

（1，numel（））

大小忽略，元素的顺序可能与

重塑（-1）

的顺序不同。然而，“大小”可能意味着内存的大小，而不是张量的大小

如果

t.resize（-1）

既方便又高效，但是使用

torch 1.0.1.post2

，

t=torch.rand（[2,3,5]），那就太好了；t、 调整大小（-1）

提供：

RuntimeError: requested resize to -1 (-1 elements in total), but the given 
tensor has a size of 2x2 (4 elements). autograd's resize can only change the 
shape of a given tensor, while preserving the number of elements.

我为此提出了一个功能请求，但一致认为

resize（）

是一种低级方法，应该优先使用

restrape（）

。

使用

torch。restrape

只能传递一个维度来展平它。如果不希望对尺寸进行硬编码，只需指定

-1

，即可推断出正确的尺寸

>>> x = torch.tensor([[1,2], [3,4]])
>>> x.reshape(-1)
tensor([1, 2, 3, 4])

编辑：

例如：

flatte（）

在中的下方使用

重塑（）
使用flatte（）
可以执行以下操作：
导入火炬
输入=torch.rand（2,3,4）.cuda（）
打印（输入.形状）#火炬.尺寸（[2,3,4]）
打印（输入.展平（开始尺寸=0，结束尺寸=1）.shape）#火炬尺寸（[6,4]）

而对于相同的展平，如果要使用重塑
，则可以执行以下操作：
打印（输入.整形（（6,4））.shape）#火炬.尺寸（[6,4]）

但通常你只需要做如下简单的展平：
打印（输入.整形（-1）.shape）#火炬.尺寸（[24]）
打印（input.flatte（）.shape）#火炬尺寸（[24]）

注:
restrape（）
比view（）
更健壮。它将在任何张量上工作，而view（）
仅在张量t
上工作，其中t.是连续的（）==True

您可以执行一个简单的t.view（-1）

您只需指定-1
。挤压
操作实际上是不必要的。重塑
可以做到这一点。重塑（）
可能会返回原始张量的副本或视图。上面答案中的Doco链接.torch.flatte（var，start\u dim=1），start\u dim参数很好。由于torch.rand（[2,3,5]）而失败。
。有关输出，请参见我的答案。@TomHale请查看附带的屏幕截图。我不明白为什么要用“向下投票”而不是简单的轻推。我用的是restrape
注意restrape（）总是复制内存。不总是像前面解释的那样
RuntimeError: requested resize to -1 (-1 elements in total), but the given 
tensor has a size of 2x2 (4 elements). autograd's resize can only change the 
shape of a given tensor, while preserving the number of elements.

>>> x = torch.tensor([[1,2], [3,4]])
>>> x.reshape(-1)
tensor([1, 2, 3, 4])

>>>t = torch.rand([2, 3, 5])
>>>t = t.view(-1)
>>>t.shape
torch.Size([30])