重塑张量是否保留原始张量的特征？
Does reshaping a tensor retain the characteristics of original tensor?
我有一个形状为 (8, 5, 300) 的张量 T，其中 8 是批量大小，5 是每批中的文档数，300 是每个文档的编码。如果我按如下方式重塑张量，我的张量的属性是否保持不变？
T = T.reshape(5, 300, 8)
T.shape
>> Size[5, 300, 8]
那么，这个新张量是否指示与原始张量相同的属性？通过属性，我的意思是，我可以说这也是一个批量大小为 8 的 Tensor，每个批次有 5 个文档，每个文档有 300 维编码吗？
这会影响模型的训练吗？如果张量的重塑弄乱了数据点，那么训练就没有意义了。例如，如果像上面那样重塑输出，则输出为一批 5 个样本，每个样本有 300 个大小为 8 的文档。如果发生这种情况，那就没用了，因为我没有 300 个文件，也没有 5 个样本的批次。
我需要像这样重塑它，因为我中间的模型产生形状 [8, 5, 300] 的输出，而下一层接受 [5, 300, 8] 的输入。
否
你需要明白reshape/view and permute.
的区别
reshape 和 view 只改变张量的“shape”，没有重新排序元素。因此
orig = torch.rand((8, 5, 300))
resh = orig.reshape(5, 300, 8)
orig[0, 0, :] != resh[0, :, 0]
如果你也想改变元素的顺序，你需要permute它：
perm = orig.permute(1, 2, 0)
orig[0, 0, :] == perm[0, :, 0]
不！
我犯了类似的错误。
想象一下，您将二维张量（矩阵）转换为一维张量（数组）并对其应用变换功能。这会在代码中造成严重问题，因为您的新张量具有数组的特征。
希望你明白我的意思。
我有一个形状为 (8, 5, 300) 的张量 T，其中 8 是批量大小，5 是每批中的文档数，300 是每个文档的编码。如果我按如下方式重塑张量，我的张量的属性是否保持不变？
T = T.reshape(5, 300, 8)
T.shape
>> Size[5, 300, 8]
那么，这个新张量是否指示与原始张量相同的属性？通过属性，我的意思是，我可以说这也是一个批量大小为 8 的 Tensor，每个批次有 5 个文档，每个文档有 300 维编码吗？
这会影响模型的训练吗？如果张量的重塑弄乱了数据点，那么训练就没有意义了。例如，如果像上面那样重塑输出，则输出为一批 5 个样本，每个样本有 300 个大小为 8 的文档。如果发生这种情况，那就没用了，因为我没有 300 个文件，也没有 5 个样本的批次。
我需要像这样重塑它，因为我中间的模型产生形状 [8, 5, 300] 的输出，而下一层接受 [5, 300, 8] 的输入。
否
你需要明白reshape/view and permute.
reshape 和 view 只改变张量的“shape”，没有重新排序元素。因此
orig = torch.rand((8, 5, 300))
resh = orig.reshape(5, 300, 8)
orig[0, 0, :] != resh[0, :, 0]
如果你也想改变元素的顺序，你需要permute它：
perm = orig.permute(1, 2, 0)
orig[0, 0, :] == perm[0, :, 0]
不！ 我犯了类似的错误。 想象一下，您将二维张量（矩阵）转换为一维张量（数组）并对其应用变换功能。这会在代码中造成严重问题，因为您的新张量具有数组的特征。 希望你明白我的意思。