Pytorch中torch.flatten()和torch.nn.Flatten()怎么用

本文小编为大家详细介绍"Pytorch中torch.flatten()和torch.nn.Flatten()怎么用"，内容详细，步骤清晰，细节处理妥当，希望这篇"Pytorch中torch.flatten()和torch.nn.Flatten()怎么用"文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

torch.flatten(x)等于torch.flatten(x，0)默认将张量拉成一维的向量，也就是说从第一维开始平坦化，torch.flatten(x，1)代表从第二维开始平坦化。

import torchx=torch.randn(2,4,2)print(x) z=torch.flatten(x)print(z) w=torch.flatten(x,1)print(w) 输出为：tensor([[[-0.9814,  0.8251],         [ 0.8197, -1.0426],         [-0.8185, -1.3367],         [-0.6293,  0.6714]],         [[-0.5973, -0.0944],         [ 0.3720,  0.0672],         [ 0.2681,  1.8025],         [-0.0606,  0.4855]]]) tensor([-0.9814,  0.8251,  0.8197, -1.0426, -0.8185, -1.3367, -0.6293,  0.6714,        -0.5973, -0.0944,  0.3720,  0.0672,  0.2681,  1.8025, -0.0606,  0.4855])  tensor([[-0.9814,  0.8251,  0.8197, -1.0426, -0.8185, -1.3367, -0.6293,  0.6714],        [-0.5973, -0.0944,  0.3720,  0.0672,  0.2681,  1.8025, -0.0606,  0.4855]])

torch.flatten(x,0,1)代表在第一维和第二维之间平坦化

import torchx=torch.randn(2,4,2)print(x) w=torch.flatten(x,0,1) #第一维长度2，第二维长度为4，平坦化后长度为2*4print(w.shape) print(w) 输出为：tensor([[[-0.5523, -0.1132],         [-2.2659, -0.0316],         [ 0.1372, -0.8486],         [-0.3593, -0.2622]],         [[-0.9130,  1.0038],         [-0.3996,  0.4934],         [ 1.7269,  0.8215],         [ 0.1207, -0.9590]]]) torch.Size([8, 2]) tensor([[-0.5523, -0.1132],        [-2.2659, -0.0316],        [ 0.1372, -0.8486],        [-0.3593, -0.2622],        [-0.9130,  1.0038],        [-0.3996,  0.4934],        [ 1.7269,  0.8215],        [ 0.1207, -0.9590]])

对于torch.nn.Flatten()，因为其被用在神经网络中，输入为一批数据，第一维为batch，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()默认从第二维开始平坦化。

import torch#随机32个通道为1的5*5的图x=torch.randn(32,1,5,5) model=torch.nn.Sequential(    #输入通道为1，输出通道为6，3*3的卷积核，步长为1，padding=1    torch.nn.Conv2d(1,6,3,1,1),    torch.nn.Flatten())output=model(x)print(output.shape)  # 6*（7-3+1）*（7-3+1） 输出为： torch.Size([32, 150])

读到这里，这篇"Pytorch中torch.flatten()和torch.nn.Flatten()怎么用"文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注行业资讯频道。