深度学习（PyTorch）——flatten函数的用法及其与reshape函数的区别

Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。

就是把高纬度的数组按照　ｘ轴或者ｙ轴　进行拉伸，变成一维的数组

为了更好的理解Flatten层作用，我把这个神经网络进行可视化如下图：（来自网络）

flatten(),默认缺省参数为0，也就是说flatten()和flatte(0)效果一样。

python里的flatten(dim)表示，从第dim个维度开始展开，将后面的维度转化为一维.也就是说，只保留dim之前的维度，其他维度的数据全都挤在dim这一维。

比如一个数据的维度是，flatten(m)后的数据为

案例程序如下：

import torch
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./data_CIFAR10", train=False,
                                       transform=torchvision.transforms.ToTensor(),download=True)

dataloader = DataLoader(dataset,batch_size=64)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.linear1 = Linear(196608,10)

    def forward(self,input):
        output = self.linear1(input)
        return output

tudui = Tudui()

for data in dataloader:
    imgs, targets = data
    print(imgs.shape)
    # output = torch.reshape(imgs,(1,1,1,-1))
    output = torch.flatten(imgs)
    print(output.shape)
    output = tudui(output)
    print(output.shape)

运行结果如下：

从上图可以看出，torch_size([64,3,32,32])是print(imgs.shape)打印得到的结果，表示batch_size=64，channel=3，高H=32，宽W=32

上面的结果通过flatten后得到的结果维度大小为torch_size([196608])，其中的196608=643232*3得到的

然后经过神经网络（Tudui）得到的结果维度大小是torch_size([10])，表示输出为10个类别。

如果把flatten改为reshape会出现什么结果呢，程序如下：

import torch
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./data_CIFAR10", train=False,
                                       transform=torchvision.transforms.ToTensor(),download=True)

dataloader = DataLoader(dataset,batch_size=64)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.linear1 = Linear(196608,10)

    def forward(self,input):
        output = self.linear1(input)
        return output

tudui = Tudui()

for data in dataloader:
    imgs, targets = data
    print(imgs.shape)
    output = torch.reshape(imgs,(1,1,1,-1))
    # output = torch.flatten(imgs)
    print(output.shape)
    output = tudui(output)
    print(output.shape)

运行结果如下：

我们发现，经过了reshape后，得到的结果尺寸维度是torch_size([1,1,1,196608])，其结果表示batch_size=1，channel=1，高H=1，宽W=196608

上面结果通过了神经网络（Tudui）后得到结果尺寸维度为torch_size([1,1,1,10])，表示输出为10个类别。