torch.reshape()
官方文档的大致意思是：
返回与输入具有相同数据和元素数量的张量，但是具有指定形状。如果可能，返回的张量将是输入的视图，也就是说原本的tensor并没有被改变，如果想要改变那么就将改变的tensor赋值给原本的就行，即：tensor_temp = torch.reshape(tensor_temp, xxx)）。
个人理解是给数组一个新的形状，数据和元素数量及顺序不变，按照形状截断、重新拼起来成为一个张量，可以使用reshape用来增加数组的维度。
代码示例：
python
import torch
a=torch.tensor([[[1,2,3],[4,5,6]],
[[7,8,9],[10,11,12]]])
print("a的shape:",a.shape)
b=torch.reshape(a,((4,3,1)))
print("b:",b)
print("b的shape:",b.shape)
python
a的shape: torch.Size([2, 2, 3])
b: tensor([[[ 1],
[ 2],
[ 3]],
[[ 4],
[ 5],
[ 6]],
[[ 7],
[ 8],
[ 9]],
[[10],
[11],
[12]]])
b的shape: torch.Size([4, 3, 1])占位符-1：
python
import torch
a=torch.tensor([[[1,2,3],[4,5,6]],
[[7,8,9],[10,11,12]]])
b=torch.reshape(a,(-1,))
c=torch.reshape(a,(-1,1))
d=torch.reshape(a,((-1,1,1)))
e=torch.reshape(a,((-1,1,1,1)))
f=torch.reshape(a,((-1,3,4)))
# a的shape：torch.Size([2, 2, 3])
# b的shape：torch.Size([12])
# c的shape：torch.Size([12, 1])
# d的shape: torch.Size([12, 1, 1])
# e的shape: torch.Size([12, 1, 1, 1])
# f的shape: torch.Size([1, 3, 4])-1表示表示其具体值由其他维度信息和元素总个数推断出来。
一个使用场景：
对于torch.nn.functional.conv2d这个函数
python
torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)其中参数input -- input tensor of shape (minibatch, in_channels, iH, iW）是一个4D张量，如果要把下面这样一个输入矩阵，变为4D张量，就可以使用reshape函数。
\[1,2,0,3,1\], \[0,1,2,3,1\], \[1,2,1,0,0\], \[5,2,3,1,1\], \[2,1,0,1,1\]
python
input = torch.reshape(input,[1,1,5,5])torch.transforms.Resize()
transforms.Resize()可以作为数据预处理管道中的一个步骤，用于将输入的图像按照指定的大小或缩放因子进行调整。这样可以确保输入的图像满足模型的输入要求，或者保持不同数据样本具有相同的输入尺寸，在训练或推理过程中方便批次处理。
用来调整PILImage对象 的尺寸，注意不能是用io.imread或者cv2.imread 读取的图片，这两种方法得到的是ndarray ，input只能是PIL Image or Tensor。
python
from torchvision import transforms
img_path = "xxx"
img = Image.open(img_path)
trans1 = transforms.Resize([h, w]) # 同时指定长宽，写为trans1 = transforms.Resize((h, w))也是可以的，transforms.Resize 接受的参数可以是整数、元组或列表。
trans2 = transforms.Resize(x) # 将图片短边缩放至x，长宽比保持不变
img1 = trans1(img)
img2 = trans2(img)resize虽然会改变图片的长宽比，但是本身并没有发生裁切，仍可以通过resize方法返回原来的形状。
要注意的一点是PILImage对象size属性返回的是w, h，而resize的参数顺序是h, w。
参考：
https://blog.csdn.net/qq_51533157/article/details/122816008