一、x = x.view()

x = x.view(x.size(0), -1)

在PyTorch中，x.view(x.size(0), -1)是一種常用的操作，用于改變張量（Tensor）的形狀而不改變其數(shù)據(jù)。

這里的x是一個多維張量，而.view()函數(shù)是用來重新塑形這個張量的，同時保持其元素的總數(shù)不變。

具體來說，x.view(x.size(0), -1)的含義是：

• x.size(0)：這部分獲取了張量x的第一個維度的大小（即，如果x是一個形狀為(a, b, c)的張量，那么x.size(0)就等于a）。在大多數(shù)情況下，這代表了批處理中的樣本數(shù)或者是序列的長度，取決于上下文。
• -1：在.view()函數(shù)中，-1是一個特殊的值，表示該維度的大小會自動計算，以便保持總元素數(shù)不變。換句話說，PyTorch會根據(jù)其他維度的大小和總元素數(shù)來推斷出-1應該代表的具體數(shù)值。

因此，x.view(x.size(0), -1)的作用是將張量x重新塑形為一個二維張量，其中第一維的大小保持不變（即原始張量的第一個維度的大小），而第二維的大小則自動調整，以包含所有剩余的元素。

這種操作在需要將多維數(shù)據(jù)“展平”為二維數(shù)據(jù)以進行某些操作（如全連接層）時非常有用。

例如，如果x是一個形狀為(64, 3, 28, 28)的張量（通常表示一個包含64個圖像，每個圖像有3個顏色通道，每個通道的大小為28x28像素的數(shù)據(jù)集），那么x.view(x.size(0), -1)將會把x重新塑形為一個形狀為(64, 3*28*28)的張量，其中每個樣本都被展平成了一個長向量。

二、torch.flatten()函數(shù)

x = torch.flatten(x, start_dim=0, end_dim=2)

x = torch.flatten(x, 0)

當你使用 x = torch.flatten(x, 0) 時，這里的 0 是 start_dim 參數(shù)的值，而 end_dim 參數(shù)仍然默認為 -1。這意呀著展平操作將從張量 x 的第一個維度（索引為0的維度）開始，并且一直進行到張量的最后一個維度。

然而，由于 start_dim 被設置為0，并且 end_dim 默認為 -1，實際上這會將整個張量 x 完全展平為一個一維張量。換句話說，無論原始張量 x 的形狀如何，調用 torch.flatten(x, 0) 后，x 將變成一個一維張量，其長度等于原始張量中所有元素的總數(shù)。

例如，如果原始張量 x 的形狀是 (a, b, c, d)，那么調用 x = torch.flatten(x, 0) 后，x 的新形狀將是 (a*b*c*d,)，即一個包含 a*b*c*d 個元素的一維張量。

這種完全展平的操作在需要將多維數(shù)據(jù)轉換為適合某些特定操作（如完全連接層的前饋傳播）的一維形式時非常有用。然而，它也意味著你丟失了原始數(shù)據(jù)的形狀信息，除非你在其他地方記錄了這些信息或者你的操作不需要保留這些形狀信息。

x = torch.flatten(x, 1)

在PyTorch中，torch.flatten(x, start_dim=0, end_dim=-1)函數(shù)用于將張量x在指定的維度范圍內(nèi)展平（或扁平化），而不改變其數(shù)據(jù)。這里的start_dim是開始展平的維度（包含該維度），end_dim是結束展平的維度（不包含該維度），默認情況下end_dim為-1，即最后一個維度。

當你使用x = torch.flatten(x, 1)時，你告訴PyTorch從第二個維度（索引為1，因為索引是從0開始的）開始，一直到最后一個維度，將所有的這些維度都展平成一個維度。這意味著，如果x是一個多維張量，那么除了第一個維度之外的所有維度都將被合并成一個維度。

例如，如果x的形狀是(64, 3, 28, 28)（代表64個圖像，每個圖像有3個顏色通道，每個通道的大小為28x28像素），那么x = torch.flatten(x, 1)將會把x展平成一個形狀為(64, 3*28*28)的張量。這里，第一個維度（樣本數(shù)64）保持不變，而剩下的三個維度（3, 28, 28）被合并成了一個維度。

這種操作在處理圖像數(shù)據(jù)時特別有用，尤其是在需要將圖像數(shù)據(jù)傳遞給全連接層之前，因為全連接層通常期望輸入是二維的（盡管在實踐中，通常會先通過一個或多個卷積層來處理圖像數(shù)據(jù)）。通過展平操作，你可以將多維的圖像數(shù)據(jù)轉換成二維的形式，以便進行后續(xù)處理。

x = torch.flatten(x, 2)

在PyTorch中，torch.flatten(input, start_dim=0, end_dim=-1) 函數(shù)用于將多維張量（tensor）展平（flatten）為一維張量，但你可以通過指定start_dim和end_dim參數(shù)來控制從哪一維度開始展平，以及在哪一維度結束（不包括該維度）。這意味著你可以保留張量的某些維度不變，而將其他維度展平。

對于你的代碼 x = torch.flatten(x, 2)，這里：

• x 是你想要展平的原始張量。
• 2 是start_dim參數(shù)的值，而end_dim參數(shù)默認為-1，表示展平操作會一直進行到張量的最后一個維度。

因此，torch.flatten(x, 2) 的意思是從張量x的第3維（因為索引從0開始）開始，將之后的所有維度都展平成一個維度。如果x的形狀是例如 (a, b, c, d, e)，那么torch.flatten(x, 2)之后，x的形狀將變?yōu)?(a, b, c*d*e)。這里，a和b維度保持不變，而c、d和e三個維度被合并成了一個新的維度。

這種操作在處理多維數(shù)據(jù)時非常有用，特別是當你需要將一部分數(shù)據(jù)的維度保持不變，而將其他部分數(shù)據(jù)“展平”以便于后續(xù)處理（如全連接層處理）時。

三、示例

import torch

A = torch.tensor([[[1,2,3,4],[5,6,7,8],[9,10,11,12]],[[13,14,15,16],[17,18,19,20],[21,22,23,24]]])
# print(A.size)
print(A.shape)

B = torch.flatten(A,1)
print(B.shape)
# print(B)

C = torch.flatten(A,0,1)
print(C.shape)
# print(C)

D = torch.flatten(A,2)
print(D.shape)
# print(D)

E = torch.flatten(A,0)
print(E.shape)
# print(E)

F = A.view(A.size(0), -1)
print(F.shape)
# print(F)

G = A.view(A.size(0), -1, 1)
print(G.shape)

輸出：

torch.Size([2, 3, 4])
torch.Size([2, 12])
torch.Size([6, 4])
torch.Size([2, 3, 4])
torch.Size([24])
torch.Size([2, 12])
torch.Size([2, 12, 1])

總結

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論