torch.nn.flatten

torch.nn.flatten是一个类，作用为将连续的几个维度展平成一个tensor（将一些维度合并）

参数为合并开始的维度，合并结束的维度（维度就是索引，从 0 开始）
- 开始维度默认为 1。因为其被用在神经网络中，输入为一批数据，第 0 维为batch（输入数据的个数），通常要把一个数据拉成一维，而不是将一批数据拉为一维。所以torch.nn.Flatten()默认从第一维开始平坦化。
- 结束维度默认为 -1，也就是一直合并到最后一维

默认参数情况

x = torch.ones(2, 2, 2, 2)F = torch.nn.Flatten()
y = F(x)
print(y)
print(y.shape)
>>tensor([[1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1.]])
>>torch.Size([2, 8])

输入一个参数情况：该参数为合并开始的维度

x = torch.ones(2, 2, 2, 2)F = torch.nn.Flatten(2)
y = F(x)
print(y)
print(y.shape)
>>tensor([[[1., 1., 1., 1.],[1., 1., 1., 1.]],[[1., 1., 1., 1.],[1., 1., 1., 1.]]])
>>torch.Size([2, 2, 4])

输入两个参数情况：第一个参数代表合并开始维度，第二个参数代表合并结束维度（合并范围包含开始维度和结束维度）

x = torch.ones(2, 2, 2, 2)F = torch.nn.Flatten(1, 2)
y = F(x)
print(y)
print(y.shape)
>>tensor([[[1., 1.],[1., 1.],[1., 1.],[1., 1.]],[[1., 1.],[1., 1.],[1., 1.],[1., 1.]]])
>>torch.Size([2, 4, 2])

torch.flatten

作用与 torch.nn.flatten 类似，都是用于展平 tensor 的，只是 torch.flatten 是 function 而不是类，其默认开始维度为第 0 维

t = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(t.shape)
>>torch.Size([2, 2, 2])print(torch.flatten(t))
>>tensor([1, 2, 3, 4, 5, 6, 7, 8])print(torch.flatten(t, 1))
>>tensor([[1, 2, 3, 4],[5, 6, 7, 8]])print(torch.flatten(t, 0, 1).shape)
>>torch.Size([4, 2])

若输入是 0 维 tensor，则输出的是一维 tensor

t = torch.tensor(1)
print("before flatten:")
print(t)
print(t.shape)
>>before flatten:tensor(1)torch.Size([])print("\n")
print("after flatten:")
print(torch.flatten(t))
print(torch.flatten(t).shape)
>>after flatten:tensor([1])torch.Size([1])

torch.flatten与torch.nn.flatten相关推荐

pytorch中的reshape()、view()、nn.flatten()和flatten()
在使用pytorch定义神经网络结构时,经常会看到类似如下的.view() / flatten()用法,这里对其用法做出讲解与演示. torch.reshape用法 reshape()可以由torch ...
【PyTorch】 torch.flatten()与nn.Flatten()的区别
问题 torch.flatten()与nn.Flatten()都可以实现展开Tensor,那么二者的区别是什么呢? 方法经过查阅相关资料,发现二者主要区别有: (1) 默认的dim不同,torch. ...
nn.Flatten()函数详解及示例
torch.nn.Flatten(start_dim=1, end_dim=- 1) 作用:将连续的维度范围展平为张量. 经常在nn.Sequential()中出现,一般写在某个神经网络模型之后,用于 ...
torch学习二之nn.Convolution
torch学习二之nn.Convolution nn.Conv1d 函数参数输入数据维度转换关于kernel nn.Conv2D nn.Conv1d 一维卷积通常用于处理文本数据函数参数首先看 ...
PyTorch 笔记（08）— Tensor 比较运算（torch.gt、lt、ge、le、eq、ne、torch.topk、torch.sort、torch.max、torch.min）
1. 常用函数比较函数中有一些是逐元素比较,操作类似逐元素操作,还有一些类似归并操作,常用的比较函数如下表所示. 表中第一行的比较操作已经实现了运算符重载,因此可以使用 a>=b,a>b ...
torch.Tensor和torch.tensor的区别
torch.Tensor和torch.tensor的区别 2019-06-10 16:34:48 Vic_Hao 阅读数 4058更多分类专栏: Pytorch 在Pytorch中,Tensor和t ...
pytorch torch.Tensor.new_ones()（返回一个与size大小相同的用1填充的张量。默认返回的Tensor具有与此张量相同的torch.dtype和torch.device）
from https://pytorch.org/docs/1.1.0/tensors.html?highlight=new_ones#torch.Tensor.new_ones new_ones(s ...
pytorch拼接函数：torch.stack()和torch.cat()--详解及例子
原文链接: https://blog.csdn.net/xinjieyuan/article/details/105205326 https://blog.csdn.net/xinjieyuan/ar ...
torch.unsqueeze()和torch.unsqueeze()
参考:torch.squeeze() 和torch.unsqueeze()用法的通俗解释 import torch x = torch.tensor([[1, 2, 3],[1, 2, 3],[1, ...

torch.flatten与torch.nn.flatten

torch.nn.flatten

torch.flatten

torch.flatten与torch.nn.flatten相关推荐

最新文章

热门文章