快捷方式

Unflatten

class torch.nn.Unflatten(dim, unflattened_size)[source]

将张量维度展开到所需的形状。用于 Sequential

  • dim 指定要展开的输入张量的维度,当使用 TensorNamedTensor 时,它可以是 intstr

  • unflattened_size 是张量展开维度的新的形状,对于 Tensor 输入,它可以是 tuple 整数或 list 整数或 torch.Size;对于 NamedTensor 输入,它可以是 NamedShape(name, size) 元组的元组)。

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

  • 输出:(,U1,...,Un,)(*, U_1, ..., U_n, *),其中UU = unflattened_sizei=1nUi=Sdim\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]) – 展开后维度的新的形状

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])

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源