pytorch nn.Unflatten 和 nn.Flatten模块介绍

nn.Flatten 和 nn.Unflatten 是 PyTorch 中用于调整张量形状的模块。它们提供了对多维张量的简单变换，常用于神经网络模型的层之间的数据调整。

---

1. nn.Flatten

功能:

• 将输入张量展平为二维张量，通常用于将卷积层的输出展平成全连接层的输入。
• 它会将张量的指定维度范围压缩为单个维度。

构造参数:

• start_dim: 展平的起始维度（默认值为 1）。
• end_dim: 展平的结束维度（默认值为 -1）。

用法:

import torch
from torch import nn

# 输入张量: [batch_size, channels, height, width]
x = torch.randn(4, 3, 32, 32)

# 展平操作
flatten = nn.Flatten(start_dim=1)  # 从维度1到最后展平
y = flatten(x)

print(y.shape)  # 输出: [4, 3072] (3*32*32 被展平)

适用场景:

• 通常用于从卷积层（或其他多维特征）到全连接层的过渡。
• 例如：[batch_size, channels, height, width] -> [batch_size, features]。

2. nn.Unflatten

功能:

• 将展平的张量还原为多维张量。
• 它通过指定目标维度和形状信息，反向操作 nn.Flatten。

构造参数:

• dim: 需要展开的维度。
• unflattened_size: 展开的形状（tuple 类型）。

用法:

import torch
from torch import nn

# 输入张量: [batch_size, features]
x = torch.randn(4, 3072)

# 还原操作
unflatten = nn.Unflatten(dim=1, unflattened_size=(3, 32, 32))
y = unflatten(x)

print(y.shape)  # 输出: [4, 3, 32, 32]

适用场景:

• 通常用于从全连接层（或展平特征）还原到卷积层或其他多维表示。
• 例如：[batch_size, features] -> [batch_size, channels, height, width]。

---

对比

特性	nn.Flatten	nn.Unflatten
主要操作	将多个维度压缩为一个维度	将一个维度展开为多个维度
输入	多维张量	展平的张量
输出	二维张量	恢复为多维张量
常用场景	用于连接卷积层和全连接层	用于从展平的特征恢复到多维结构
参数控制	指定展平的起始和结束维度范围	指定需要展开的维度和目标形状

---

实际应用示例

结合使用 Flatten 和 Unflatten:

import torch
from torch import nn

# 初始化 Flatten 和 Unflatten
flatten = nn.Flatten(start_dim=1)
unflatten = nn.Unflatten(dim=1, unflattened_size=(3, 32, 32))

# 模拟数据
x = torch.randn(4, 3, 32, 32)  # [batch_size, channels, height, width]

# 展平
flat_x = flatten(x)
print(flat_x.shape)  # 输出: [4, 3072]

# 恢复
unflat_x = unflatten(flat_x)
print(unflat_x.shape)  # 输出: [4, 3, 32, 32]

这两个模块通过简单的接口提供了灵活的形状调整功能，是构建神经网络过程中不可或缺的工具。