rearrange(h, ‘b (ws w) c -＞ b w ws c‘, ws=4)和rearrange(h, ‘b (w ws) c -＞ b w ws c‘, ws=4)的区别

具体的例子来展示这两种不同的rearrange调用如何影响Tensor的数据排列。假设我们有一个Tensor h 的大小为 [1, 8, c]，其中c是通道数，可以简化为1以便于演示，这样我们可以更清楚地看到数据的变化。此处我们将ws设置为4，以符合你的原始问题描述。
原始的h为：

h = [[0, 1, 2, 3, 4, 5, 6, 7]]

使用不同的rearrange模式

模式一：‘b (ws w) c -> b w ws c’
将中间的维度(ws*w)视为[ws, w]，即将8个元素分为ws=4和w=2的两部分。

from einops import rearrange, reduce
import torch
a = torch.tensor([[[0], [1], [2], [3], [4], [5], [6], [7]]])
feature1 = rearrange(a, 'b (ws w) c -> b w ws c', ws=2)
print(feature1.shape)
print(feature1)

输出结果：

torch.Size([1, 4, 2, 1])
tensor([[[[0],
          [4]],

         [[1],
          [5]],

         [[2],
          [6]],

         [[3],
          [7]]]])

模式二：‘b (w ws) c -> b w ws c’
将中间的维度视为[w, ws]，即将8个元素分为w=2和ws=4的两部分

from einops import rearrange, reduce
import torch
a = torch.tensor([[[0], [1], [2], [3], [4], [5], [6], [7]]])
feature1 = rearrange(a, 'b (w ws) c -> b w ws c', ws=2)
print(feature1.shape)
print(feature1)

输出结果：

torch.Size([1, 4, 2, 1])
tensor([[[[0],
          [1]],

         [[2],
          [3]],

         [[4],
          [5]],

         [[6],
          [7]]]])