在 PyTorch 中，reshape 方法与 view 方法类似，用于改变张量的形状。两者的主要区别在于 reshape 更加灵活，因为它会尝试返回一个连续的内存块上的新张量，而 view 只能在原始张量是连续内存块时使用。

reshape 方法的用法

tensor.reshape(*shape) 方法接受一个或多个整数参数，表示新张量的形状。与 view 一样，-1 表示自动计算该维度的大小，以确保新张量的总元素数量与原张量一致。

示例

以下是一些示例，展示如何使用 reshape 方法进行张量重塑：

1. 基本用法

import torch

# 创建一个 2x3 的张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(f"原始张量:\n{tensor}")

# 将张量重塑为 3x2
reshaped_tensor = tensor.reshape(3, 2)
print(f"重塑后的张量 (3x2):\n{reshaped_tensor}")

输出：

原始张量:
tensor([[1, 2, 3],
        [4, 5, 6]])
重塑后的张量 (3x2):
tensor([[1, 2],
        [3, 4],
        [5, 6]])

在这个示例中，原始 2x3 张量被重塑为 3x2 张量。

2. 使用 -1 自动推断维度

import torch

# 创建一个 2x3 的张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(f"原始张量:\n{tensor}")

# 将张量重塑为 1x6，使用 -1 自动推断一个维度
reshaped_tensor = tensor.reshape(1, -1)
print(f"重塑后的张量 (1x6):\n{reshaped_tensor}")

# 将张量重塑为 6x1，使用 -1 自动推断一个维度
reshaped_tensor_2 = tensor.reshape(-1, 1)
print(f"重塑后的张量 (6x1):\n{reshaped_tensor_2}")

输出：

原始张量:
tensor([[1, 2, 3],
        [4, 5, 6]])
重塑后的张量 (1x6):
tensor([[1, 2, 3, 4, 5, 6]])
重塑后的张量 (6x1):
tensor([[1],
        [2],
        [3],
        [4],
        [5],
        [6]])

在这个示例中，使用 -1 自动推断出维度的大小：

• tensor.reshape(1, -1) 自动计算出第二个维度的大小为 6，因为原张量有 6 个元素。
• tensor.reshape(-1, 1) 自动计算出第一个维度的大小为 6。

3. 重塑高维张量

import torch

# 创建一个 2x2x3 的张量
tensor = torch.tensor([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(f"原始张量:\n{tensor}")

# 将张量重塑为 3x2x2
reshaped_tensor = tensor.reshape(3, 2, 2)
print(f"重塑后的张量 (3x2x2):\n{reshaped_tensor}")

# 将张量重塑为 1x12，使用 -1 自动推断一个维度
reshaped_tensor_2 = tensor.reshape(1, -1)
print(f"重塑后的张量 (1x12):\n{reshaped_tensor_2}")

输出：

原始张量:
tensor([[[ 1,  2,  3],
         [ 4,  5,  6]],

        [[ 7,  8,  9],
         [10, 11, 12]]])
重塑后的张量 (3x2x2):
tensor([[[ 1,  2],
         [ 3,  4]],

        [[ 5,  6],
         [ 7,  8]],

        [[ 9, 10],
         [11, 12]]])
重塑后的张量 (1x12):
tensor([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12]])

在这个示例中，原始 2x2x3 张量被重塑为 3x2x2 和 1x12 张量。

总结

• reshape 方法用于重塑张量。
• -1 作为参数表示自动推断该维度的大小，以确保新张量的总元素数量与原张量一致。
• reshape 与 view 的主要区别在于 reshape 更加灵活，可以在张量不连续时使用。

通过使用 reshape 方法，可以方便地改变张量的形状，以满足不同的需求。