【无标题】

torch reshape函数理解

torch.reshape 在变形时会遵循以下步骤：

1. 将张量的所有元素视为一维连续数据：无论原始张量的维度如何，torch.reshape 都会将其看成一个一维的线性数据流。这并不实际改变张量的存储顺序（即内存布局），而是改变它的形状视图。

2. 按照新的形状重新组织元素：根据指定的新形状，重新组织这些元素。要求新形状的元素数量总数必须等于原张量的元素总数（即 torch.numel 的值保持不变）。

例如：

import torch

# 创建一个 2x3 的张量 （2,3）
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
# 将x看成一维数据流为 1,2,3,4,5,6. 一维数据流的公式化解释，以形状（2,3）为例:
# 也就是(0,0)(0,1)(0,2)(1,0)(1,1)(1,2)。有点类似于嵌套for循环的意思，先固定
# 0维不变，将1维从小变到大，再将0维+1后固定，将1维从小变到大。

# 使用 reshape 将其变成 3x2 的张量
y = torch.reshape(x, (3, 2))
# 将(0,0)(0,1)(0,2)(1,0)(1,1)(1,2)变为形状(3,2),将每两个划为一行，即：
# (0,0)(0,1)|(0,2)(1,0)|(1,1)(1,2)

print(y)

输出：

tensor([[1, 2],
        [3, 4],
        [5, 6]])

注意点：

1. 内存连续性：torch.reshape 通常会尝试返回与原张量共享内存的视图（view）。但如果无法共享内存，例如张量的存储不是连续的，reshape 可能会创建一个新张量。

2. 元素总数不变：torch.reshape 要求新形状的元素数量与原张量一致，否则会报错。例如：

   z = torch.reshape(x, (4, 2))  # 报错：原张量的元素数是 6，无法变成 8
   

如果你只是希望将张量展平成一维，可以使用 torch.flatten 或 torch.reshape(x, (-1,))。

与 view 的区别：

torch.view 和 torch.reshape 功能类似，但 view 要求输入张量在内存中是连续的，而 reshape 可以处理非连续张量。