torch.reshape的使用

小白记录：

torch.reshape() 是 PyTorch 中用于改变张量（Tensor）形状的函数。它的参数含义如下：

函数签名

python

torch.reshape(input, shape) → Tensor

参数详解

1. input (Tensor)

   • 含义：需要被改变形状的输入张量。

   • 要求：必须是一个有效的 PyTorch 张量。

2. shape (tuple of ints)

   • 含义：定义输出张量的新形状，是一个由整数组成的元组。

   • 关键规则：

     • 总元素数必须一致：新形状的元素总数（各维度大小的乘积）必须与原张量一致。
       例如：原张量形状 (4, 3)（12个元素）可改为 (6, 2) 或 (12,)，但不能改为 (5, 2)（10个元素）。

     • -1 的特殊含义：
       元组中最多只能有一个 -1，表示该维度大小由 PyTorch 自动计算（根据总元素数和其他维度推断）。
       例如：原张量有 12 个元素：

       • shape=(4, -1) → 自动计算为 (4, 3)

       • shape=(-1, 6) → 自动计算为 (2, 6)

       • shape=(-1,) → 输出一维张量 (12,)

---

示例说明

基础用法

python

import torch

x = torch.arange(12)  # [0, 1, 2, ..., 11]
print(x.shape)        # torch.Size([12])

# 改为 3x4 矩阵
y = torch.reshape(x, (3, 4))
print(y)
# tensor([[ 0,  1,  2,  3],
#         [ 4,  5,  6,  7],
#         [ 8,  9, 10, 11]])

# 使用 -1 自动计算维度
z = torch.reshape(x, (2, 2, -1))  # 2x2x3
print(z.shape)  # torch.Size([2, 2, 3])

错误用法

python

# 错误：元素总数不匹配 (12 != 8)
torch.reshape(x, (2, 4))   # ❌

# 错误：多个 -1
torch.reshape(x, (-1, -1)) # ❌

---

与 view() 的区别

• reshape()：
  尽可能返回原数据的视图（view）（不复制数据），如果原始内存连续则共享内存；否则自动复制数据返回新张量。

• view()：
  严格要求原张量内存连续，否则报错。若内存不连续，需先 .contiguous()。

推荐：优先用 reshape()，它更灵活且能处理非连续内存。

---

总结

参数	含义	规则
input	输入张量	必须是 PyTorch 张量
shape	目标形状（整数元组）	1. 元素总数必须与原张量一致 2. 最多一个 -1（自动计算该维度大小）