PyTorch学习之torch.reshape函数

PyTorch学习之torch.reshape函数

一、什么是 torch.reshape

torch.reshape 函数用于将一个张量重新排列成指定的形状（shape）。其本质上是创建了一个新的张量，新的张量与原始张量共享相同的数据存储，但形状发生了变化。

二、torch.reshape 的语法

torch.reshape(input, shape)

• input：待调整形状的张量。
• shape：一个表示新形状的元组或列表。新形状的元素乘积必须等于原始张量的元素总数。

三、示例

下面通过几个简单的例子来演示 torch.reshape 的用法。

示例 1：基本用法

import torch

# 创建一个 1x8 的张量
x = torch.arange(8)
print("原始张量：")
print(x)

# 将 1x8 的张量重塑为 2x4 的张量，下面给两条语句的作用相同
# x_reshaped = torch.reshape(x, (2, 4))
x_reshaped = x.reshape((2, 4))

print("重塑后的张量：")
print(x_reshaped)

输出：

原始张量：
tensor([0, 1, 2, 3, 4, 5, 6, 7])
重塑后的张量：
tensor([[0, 1, 2, 3],
        [4, 5, 6, 7]])

示例 2：使用 -1 自动推断形状

在 torch.reshape 中，可以使用 -1 让 PyTorch 自动计算某一个维度的大小，只要其它维度的大小是已知的即可。

import torch
# 创建一个 2x2x2 的张量
x = torch.arange(8).reshape(2, 2, 2)
print(x)

# 将 2x2x2 的张量重塑为 2x4 的张量
x_reshaped = x.reshape((2, -1))
print("重塑后的张量：")
print(x_reshaped)

输出：

tensor([[[0, 1],
         [2, 3]],

        [[4, 5],
         [6, 7]]])
重塑后的张量：
tensor([[0, 1, 2, 3],
        [4, 5, 6, 7]])

四、torch.reshape 与 torch.view 的区别

在 PyTorch 中，torch.view 也可以用于调整张量的形状。两者的主要区别在于：

1. torch.view 只能用于连续（contiguous）的张量，如果张量在内存中不是连续的，会需要调用 .contiguous() 方法后才能使用 view。而 torch.reshape 则没有这个限制，能够处理非连续的张量。
2. torch.reshape 通常会更通用，适用性更广。