import torch
x=torch.randn(2,4,2)
print(x)
 
z=torch.flatten(x)
print(z)
 
w=torch.flatten(x,1)
print(w)
 
輸出為：
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)代表在第一維和第二維之間平坦化

import torch
x=torch.randn(2,4,2)
print(x)
 
w=torch.flatten(x,0,1) #第一維長度2，第二維長度為4，平坦化后長度為2*4
print(w.shape)
 
print(w)
 
輸出為：
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]])

對于torch.nn.Flatten()，因為其被用在神經(jīng)網(wǎng)絡(luò)中，輸入為一批數(shù)據(jù)，第一維為batch，通常要把一個數(shù)據(jù)拉成一維，而不是將一批數(shù)據(jù)拉為一維。所以torch.nn.Flatten()默認從第二維開始平坦化。

import torch
#隨機32個通道為1的5*5的圖
x=torch.randn(32,1,5,5)
 
model=torch.nn.Sequential(
    #輸入通道為1，輸出通道為6，3*3的卷積核，步長為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）
 
輸出為：
 
torch.Size([32, 150])

總結(jié)

到此這篇關(guān)于Pytorch中torch.flatten()和torch.nn.Flatten()的文章就介紹到這了,更多相關(guān)Pytorch torch.flatten()和torch.nn.Flatten()內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: