PyTorch 中 reshape 函数用法示例

在 PyTorch 中，reshape 函数用于改变张量的形状，而不改变其中的数据。下面是一些关于 reshape 函数的常见用法示例。

基本语法

torch.reshape(input, shape)  
# input: 要重塑的张量。
# shape: 目标形状，可以是一个整数元组或列表。

示例1：将一维张量转为二维张量（重要）

import torch  

# 创建一个一维张量  
tensor_1d = torch.tensor([1, 2, 3, 4, 5, 6])  

# 使用 reshape 将其转为形状为 (2, 3) 的二维张量  
tensor_2d = tensor_1d.reshape(2, 3)  

print(tensor_2d)

输出：

tensor([[1, 2, 3],  
        [4, 5, 6]])

示例 2：使用负数维度自动推导形状（重要）

在 reshape 中可以使用 -1 表示自动推导该维度的大小。

# 创建一个一维张量  
tensor_1d = torch.tensor([1, 2, 3, 4, 5, 6])  

# 使用 -1 自动推导维度  
tensor_2d = tensor_1d.reshape(3, -1)  

print(tensor_2d)

输出：

tensor([[1, 2],  
        [3, 4],  
        [5, 6]])

在这里，-1 的意思是由其他维度的大小推导出来的。

示例 3：将三维张量展平为二维张量

假设有一个形状为 (2, 3, 4) 的三维张量，可以将其展平为形状为 (2, 12) 的二维张量。

# 创建一个三维张量  
tensor_3d = torch.randn(2, 3, 4)  # 随机生成一个张量  
print(tensor_3d)
# 重塑为二维张量  
tensor_2d = tensor_3d.reshape(2, -1)  
print(tensor_2d)
print(tensor_2d.shape)  # 输出应该为 torch.Size([2, 12])

输出：

tensor([[[-2.0344, -0.0268,  1.4198,  0.5537],
         [ 2.1429, -0.8317, -1.6704,  0.3521],
         [ 0.4205,  0.0552,  1.8191,  0.4051]],

        [[-0.5695,  0.2553, -0.8192, -1.3156],
         [ 0.8952, -0.6411,  1.0547,  0.7071],
         [-0.1367, -2.2702,  0.6299, -0.7946]]])
         
tensor([[-2.0344, -0.0268,  1.4198,  0.5537,  2.1429, -0.8317, -1.6704,  0.3521,
          0.4205,  0.0552,  1.8191,  0.4051],
        [-0.5695,  0.2553, -0.8192, -1.3156,  0.8952, -0.6411,  1.0547,  0.7071,
         -0.1367, -2.2702,  0.6299, -0.7946]])
         
torch.Size([2, 12])

示例4：调换维度

如果你想把一个矩阵的行和列互换，可以先使用 reshape 将张量改变形状，再使用 .t() 方法进行转置（若适用）。

# 创建一个二维张量  
tensor_2d = torch.tensor([[1, 2, 3], [4, 5, 6]])  

# 使用 reshape 先改变形状后，再用 .t() 转置  
tensor_transposed = tensor_2d.reshape(3, 2).t()  # 先变成 3x2 然后转置  

print(tensor_transposed)

输出：

tensor([[1, 4],  
        [2, 5],  
        [3, 6]])

总结

reshape 是用于改变张量形状的工具，数据不变。
可以使用 -1 进行自动推导。
适用于多维张量的重塑，便于后续的数据处理和建模。