Pytorch基础：Tensor的reshape方法

在Pytorch中，reshape是Tensor的一个重要方法，它与Numpy中的reshape类似，用于返回一个改变了形状但数据和数据顺序和原来一致的新Tensor对象。注意：此时返回的数据对象并不一定是新的，这取决于应用此方法的Tensor是否是连续的。

reshape方法的语法如下所示：

复制代码

Tensor.reshape(*shape) → Tensor
shape (tuple of ints or int...) - the desired shape

reshape的用法如下所示：

复制代码

import torch
# 创建一个张量
x = torch.randn(3, 4)
tensor([[ 0.1961, -0.9038,  0.9196, -1.1851],
        [ 1.1321,  0.3153,  0.3485,  0.7977],
        [-0.5279,  0.2062, -0.4224, -0.3993]])

# 使用reshape方法将其重新塑造为2行6列的形状
y = x.reshape(2, 6) 
y = x.reshape((2,6)) #两种形式均可，y = x.reshape([2,6])也可
tensor([[ 0.1961, -0.9038,  0.9196, -1.1851,  1.1321,  0.3153],
        [ 0.3485,  0.7977, -0.5279,  0.2062, -0.4224, -0.3993]])

可以看到，给出的参数既可以是多个整数（其中每个整数代表一个维度的大小，而整数的数量代表维度的数量），也可以是一个元组或是列表（其中每个元素代表一个维度的大小，而元素数量代表维度的数量）。而且reshape不改变Tensor中数据的排列顺序（指的是从上到下从左到右遍历的顺序），只改变形状，这也就对reshape各维度大小的乘积有要求，要与原Tensor一致。在上例中即3*4=2*6。

另外reshape还有一个trick，即某一维的实参可以是-1，此时会自动根据原Tensor大小和给出的其他维度参数的大小，推断出这一维度的大小，举例如下：

复制代码

import torch
# 创建一个张量
x = torch.randn(3, 4)
tensor([[ 0.1961, -0.9038,  0.9196, -1.1851],
        [ 1.1321,  0.3153,  0.3485,  0.7977],
        [-0.5279,  0.2062, -0.4224, -0.3993]])

# 使用reshape方法将其重新塑造为6行n列的形状，n为自动推断出的值
y = x.reshape(6, -1)
tensor([[ 0.1961, -0.9038],
        [ 0.9196, -1.1851],
        [ 1.1321,  0.3153],
        [ 0.3485,  0.7977],
        [-0.5279,  0.2062],
        [-0.4224, -0.3993]])

# 使用reshape方法将其重新塑造为(2,2,n)的形状，n为自动推断出的值
y = x.reshape(2, 2, -1)
tensor([[[ 0.1961, -0.9038,  0.9196],
         [-1.1851,  1.1321,  0.3153]],

        [[ 0.3485,  0.7977, -0.5279],
         [ 0.2062, -0.4224, -0.3993]]])

# 不能在两个维度都指定-1，这时无法推断出唯一结果
y = x.reshape(2, -1, -1)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
RuntimeError: only one dimension can be inferred

除此之外，还可以使用torch.reshape()函数，这与使用reshape方式效果一致，torch.reshape()的语法如下所示。

复制代码

torch.reshape(input, shape) → Tensor
input (Tensor) -- the tensor to be reshaped
shape (tuple of python:int) -- the new shape


import torch
# 创建一个张量
x = torch.randn(3, 4)
tensor([[ 0.1961, -0.9038,  0.9196, -1.1851],
        [ 1.1321,  0.3153,  0.3485,  0.7977],
        [-0.5279,  0.2062, -0.4224, -0.3993]])

# 使用reshape函数将其重新塑造为6行n列的形状，n为自动推断出的值
y = torch.reshape(x, (6, -1))
tensor([[ 0.1961, -0.9038],
        [ 0.9196, -1.1851],
        [ 1.1321,  0.3153],
        [ 0.3485,  0.7977],
        [-0.5279,  0.2062],
        [-0.4224, -0.3993]])