Растягивание

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

Растягивает тензор по указанному измерению, расширяя его до желаемой формы. Для использования с Sequential.

• dim указывает измерение входного тензора, которое нужно растянуть, и может быть либо int , либо str при использовании Tensor или NamedTensor соответственно.
• unflattened_size — новая форма растянутого измерения тензора и может быть tuple целых чисел, или list целых чисел, или torch.Size для Tensor входных данных; NamedShape (кортеж (name, size) кортежей) для NamedTensor входных данных.

Форма:

• Вход: $(*, S_{\text{dim}}, *)$, где $S_{\text{dim}}$ — размер по размерности dim, а $*$ обозначает любое количество измерений, включая нулевое.
• Выход: $(*, U_1, ..., U_n, *)$, где $U$ = unflattened_size и $\prod_{i=1}^n U_i = S_{\text{dim}}$.

Параметры:

• dim (Union[int, str]) – Измерение для растягивания
• unflattened_size (Union[torch.Size, Tuple, List, NamedShape]) – Новая форма растянутого измерения

Примеры

>>> 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])