torch 和 numpy 中 flatten() 降维操作

---

---

简洁版：
都是降维展开操作。不同在于：

• numpy：$ndarray.flatten()$：
  只能返回一维数组。参数是字符串，可设置按行或按列展开。
• torch：$torch.flatten(input,star{t}_{d}im=0,en{d}_{d}im=-1)\to Tensor$
  可以返回高维张量，可以指定开始、结束展开的维度，即部分展开。参数是维度。

---

---

详细版：
叙述了numpy 和 torch 中常见的关于 高维数组 展开操作的一些函数。

• numpy
  • flatten()：展成一维，产生数据副本
  • ravel() ：展成一维，不产生副本（修改会改变原数据）
  • squeeze() ：压缩维数为 1 的维度
• torch
  • flatten()：展成低维张量(可以不是一维），产生数据副本
  • squeeze() ：降维， 压缩维数为 1 的维度
  • unsqueeze() ：增加维数为 1 的维度

---

1. numpy 展平操作

1.1 ndarray.flatten()

• 适用于numpy对象
  flatten是numpy.ndarray.flatten的一个函数，即返回一个折叠成一维的数组。

Parameters:
ndarray.flatten(order=‘C’) Return a copy of the array collapsed into one dimension. order : {‘C’, ‘F’, ‘A’, ‘K’}, optional：

• ‘C’ means to flatten in row-major (C-style) order.
• ‘F’ means to flatten in column-major (Fortran- style) order.
• ‘A’ means to flatten in column-major order if a is Fortran contiguous in memory, row-major order otherwise.
• ‘K’ means to flatten a in the order the elements occur in memory.
  The default is ‘C’.

• 举例：
  参数是 str , ‘C’: 按行展开， ’F‘： 按列展开

>>> import numpy as np
>>> a = np.array([[1,2,3],[4,5,6]])
>>> a
array([[1, 2, 3],
       [4, 5, 6]])
>>> a.flatten('C')
array([1, 2, 3, 4, 5, 6])
>>> a.flatten('F')
array([1, 4, 2, 5, 3, 6])

python 中 list 展开：
对list，使用列表表达式。

参考资料：Python中flatten( ),matrix.A用法说明

---

1.2 ndarray.ravel()

$ndarray.flatten()$ 和 $ndarray.ravel()$ 都是对向量的展平操作，区别在于：

• $ndarray.flatten()$ ： 返回原数组副本
• $ndarray.ravel()$： 不返回原数组副本

>>> a.flatten()[0] = -1
>>> a
array([[1, 2, 3],
       [4, 5, 6]])
>>> a.ravel()[0] = -1
>>> a
array([[-1,  2,  3],
       [ 4,  5,  6]])

---

1.3 ndarray.squeeze()

$ndarray.squeeze(dim=a)$： 对维数为1的维数降维,， 可以指定维数

>>> b = np.array([[[1],[2]]])
>>> b
array([[[1],
        [2]]])
>>> b.shape
(1, 2, 1)
>>> b.squeeze()
array([1, 2])
>>> b.squeeze(0)
array([[1],
       [2]])
>>> b.squeeze(2)
array([[1, 2]])

---

---

2. torch 展平操作

2.1 torch.flatten()

$torch.flatten(input,star{t}_{d}im=0,en{d}_{d}im=-1)\to Tensor$

可以指定开始、结束展开的维度。
如从 dim = 1 开始, shape: (2, 2, 2) -> (2, 4)

>>> t = torch.tensor([[[1, 2],
...                    [3, 4]],
...                   [[5, 6],
...                    [7, 8]]])
>>> torch.flatten(t)
tensor([1, 2, 3, 4, 5, 6, 7, 8])
>>> torch.flatten(t, start_dim=1)
tensor([[1, 2, 3, 4],
        [5, 6, 7, 8]])

官方文档：TORCH.FLATTEN

---

2.2 torch.squeeze() 和 torch.unsqueeze()

• torch 中也提供 squeeze 函数， 同 numpy

torch.squeeze(input, dim=None) → Tensor（官方文档）

>>> x = torch.zeros(2, 1, 2, 1, 2)
>>> x.size()
torch.Size([2, 1, 2, 1, 2])
>>> y = torch.squeeze(x)         # 压缩维数为 1 的维度
>>> y.size()
torch.Size([2, 2, 2])
>>> y = torch.squeeze(x, 0)     #  压缩维度 0， 0 维不为 1
>>> y.size()
torch.Size([2, 1, 2, 1, 2])
>>> y = torch.squeeze(x, 1)     # 压缩维度 1，  1 维为 1
>>> y.size()
torch.Size([2, 2, 1, 2])

• 此外， torch 中还提供了 torch.unsqueeze，扩充维度

$torch.unsqueeze(input,dim)\to Tensor$（官方文档）

>>> x = torch.tensor([1, 2, 3, 4])
>>> torch.unsqueeze(x, 0)
tensor([[ 1,  2,  3,  4]])
>>> torch.unsqueeze(x, 1)
tensor([[ 1],
        [ 2],
        [ 3],
        [ 4]])