Unflatten

class torch.nn.Unflatten(dim, unflattened_size)

将张量的维度展开为所需的形状。用于 Sequential。

• dim 指定要展开的输入张量的维度，当使用 Tensor 或 NamedTensor 时，它可以是 int 或 str。

• unflattened_size 是张量的展开维度的新形状，对于 Tensor 输入，它可以是 int 元组、int 列表或 torch.Size；对于 NamedTensor 输入，它可以是 NamedShape（(name, size) 元组的元组）。

形状

• 输入: $(*, S_{\text{dim}}, *)$, 其中 $S_{\text{dim}}$ 是维度 dim 的大小，$*$ 表示任意数量的维度，包括无维度。

• 输出: $(*, U_1, ..., U_n, *)$, 其中 $U$ = unflattened_size 并且 $\prod_{i=1}^n U_i = S_{\text{dim}}$。

参数

• dim (Union[int, str]) – 要展开的维度

• unflattened_size (Union[torch.Size, Tuple, List, NamedShape]) – 展开维度的新形状

示例

>>> input = torch.randn(2, 50)
>>> # With tuple of ints
>>> m = nn.Sequential(
>>>     nn.Linear(50, 50),
>>>     nn.Unflatten(1, (2, 5, 5))
>>> )
>>> output = m(input)
>>> output.size()
torch.Size([2, 2, 5, 5])
>>> # With torch.Size
>>> m = nn.Sequential(
>>>     nn.Linear(50, 50),
>>>     nn.Unflatten(1, torch.Size([2, 5, 5]))
>>> )
>>> output = m(input)
>>> output.size()
torch.Size([2, 2, 5, 5])
>>> # With namedshape (tuple of tuples)
>>> input = torch.randn(2, 50, names=('N', 'features'))
>>> unflatten = nn.Unflatten('features', (('C', 2), ('H', 5), ('W', 5)))
>>> output = unflatten(input)
>>> output.size()
torch.Size([2, 2, 5, 5])