深度学习中flatten的进一步理解

下图是keras关于flatten的描述
在深度学习中，flatten对batch size没有影响

那在深度学习中，flatten函数的输入常常是多维的，里面的数据是按照什么方式展开的呢？
下面举例说明
对于（1，3，4，2)的数据，其中1代表着 batch size

input
array([[[[ 1,  2],
         [ 3,  4],
         [ 5,  6],
         [ 7,  8]],
        [[ 9, 10],
         [11, 12],
         [13, 14],
         [15, 16]],
        [[17, 18],
         [19, 20],
         [21, 22],
         [24, 24]]]])

之前一直以为flatten是先在各个通道上，比如先把2个通道上的3×4维数据展开，再把2个维度上的接在一起
实际上是从最后一个维度2开始，由内而外，先把最里面的4个1*2的展开，得到（1，2，3，4，5，6，7，8），然后再继续往后把“3”这个维度上的其他数据续上
从上图可以看出，这样的展开方式，其实也是符合我们的视觉感官的

keras.layers.Flatten("channels_last")(input)
<tf.Tensor: shape=(1, 24), dtype=int32, numpy=
array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
        17, 18, 19, 20, 21, 22, 24, 24]])>

torch.flatten(torch.tensor(input))
tensor([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17, 18,
        19, 20, 21, 22, 24, 24], dtype=torch.int32)

无论是keras 还是torch中的flatten函数，其默认展开逻辑都是相似的