reshape、view、transpose、广播到底怎么选副标题手把手带你从内存连续性和右对齐检查法两个底层原理出发分清 reshape / view / transpose / permute / 广播Shape 转换从此不靠瞎试你有没有过这种玄学时刻写x.view(2, 3)报错改成x.reshape(2, 3)就好了——但你说不清为什么写x.transpose(0, 1)能跑改成x.permute(0, 1)也能跑——它们不是同一个东西吗两个形状不同的张量相加有时候自动对齐有时候报一串看不懂的错。如果你全中别慌这一篇就是来终结这种瞎试的。上期我们讲清了Shape 是数据契约每个维度应该是多少这一期解决怎么合法地改造 Shape。我会给你两个底层抓手内存连续性解释 reshape/view 之争和右对齐检查法解释广播。理解了原理你就不再需要背哪个好用而是能推断出为什么这样写才对。一、先建立底层直觉张量在内存里是一条线想真正搞懂reshape/view/transpose你得先明白一件事张量在物理内存里其实是一长条连续的数字所谓几行几列只是 PyTorch 用shapestride步长这层包装纸帮你看到的样子。shape决定看起来几维、每维多大stride决定在某一维上走一步内存里要跳几个格子。reshape和view的区别本质就在这层包装纸下面内存是否真的连续。二、reshape vs view能重塑但不复制这两个函数作用几乎一样把张量改变形状不改变数据本身总元素数必须守恒。importtorch xtorch.arange(12)# 一维张量[0,1,...,11]print(x.shape)# torch.Size([12])yx.reshape(3,4)zx.view(3,4)print(y.shape)# torch.Size([3, 4])print(z.shape)# torch.Size([3, 4])核心区别只有一个对内存连续性的要求不同。函数要求内存连续吗不连续时会怎样view必须连续报错RuntimeError: view size is not compatiblereshape不要求自动复制一份再重塑永远能用为什么会有不连续看下面这个经典场景——transpose之后张量在物理内存里的排列顺序变了但 PyTorch 没搬动数据只是改了stride于是它不连续了xtorch.randn(3,4)# transpose 之后内存不连续只改了 stride没搬数据x_tx.transpose(0,1)print(x_t.is_contiguous())# False# view 报错它要求底层那串数字真的按新形状排好x_t.view(12)# RuntimeError# reshape 没事它发现不连续就先复制成连续再重塑x_t.reshape(12)# 自动复制成功直觉比喻view像是给同一本已经装订好的书换封面——书页顺序不能变所以要求原书页是连续的reshape像是重新排印——发现页序乱了它直接重印一本所以怎么排都行。view省了一次复制更快更省内存但前提是原书页本来就连续。实战建议拿不准就用reshape它更宽容。view性能稍好不复制但前提是你确信内存连续通常是刚torch.randn/arange出来、没做过转置的时候。-1的用法自动推断那一维两个函数都支持-1表示这一维的大小你帮我算——前提是其他维度定下来后能唯一整除xtorch.randn(32,8,8)yx.reshape(32,-1)# [32, 64] —— -1 自动算成 8*864zx.reshape(-1)# [2048] —— 展平成一维# -1 只能出现一次否则 PyTorch 不知道怎么分x.reshape(-1,-1)# 报错这是Flatten的等价写法CNN 接全连接层时天天用# 下面两行等价都表示保留 batch 维把其余摊平xx.reshape(x.shape[0],-1)xtorch.flatten(x,start_dim1) 点击在线体验此交互组件三、transpose vs permute调换维度顺序这两兄弟负责四类本质操作里的调换维度顺序。区别在于一个只换两个一个能重排全部。transpose只换两个维度xtorch.randn(2,3,4)# [2, 3, 4]yx.transpose(0,1)# 交换第 0 维和第 1 维print(y.shape)# [3, 2, 4]只能一次换两个。permute一次性重排所有维度xtorch.randn(2,3,4)# [2, 3, 4]# 参数含义新顺序里每个位置放原来的第几维yx.permute(2,0,1)# 第2维放最前、第0维居中、第1维最后print(y.shape)# [4, 2, 3]⚠️易混辨析transpose(a, b)只翻转指定的两个轴permute(*dims)给出的是完整的新轴顺序。当你要换的恰好只有两个轴时x.transpose(0,1)和x.permute(1,0)结果一样但permute更通用。需要换 3 个及以上维度时只能用permute。最经典的图像场景图像库如 OpenCV、PIL读出的图片通常是[H, W, C]高、宽、通道但 PyTorch 的 CNN 约定要[C, H, W]# [H, W, C] → [C, H, W]imgtorch.randn(32,32,3)# 假设是 [H, W, C]img_chwimg.permute(2,0,1)# [3, 32, 32]print(img_chw.shape)# torch.Size([3, 32, 32])transpose 之后想用 view先 contiguoustranspose和permute返回的都是视图view——不复制数据只改stride所以内存通常不连续。想在这之后用view得先contiguous()把数据在物理上重排成连续xtorch.randn(3,4)x_tx.transpose(0,1)# 不连续# x_t.view(12) # 报错内存不连续x_tx_t.contiguous()# 复制成连续内存这一步才真正搬数据x_t.view(12)# 现在能用了或者更省心——直接用reshape它内部会自动判断要不要contiguousx_tx.transpose(0,1)yx_t.reshape(12)# 直接能用内部自动处理四、squeeze 和 unsqueeze增删大小为 1 的维度有些维度大小是 1它们占着位置但不增加信息。unsqueeze/squeeze专门增删这种维度——常用于补出或去掉 batch 维。unsqueeze加一个大小为 1 的维度xtorch.randn(10)# [10]yx.unsqueeze(0)# [1, 10] —— 在第 0 维加zx.unsqueeze(1)# [10, 1] —— 在第 1 维加最常见的用途单张图片补出 batch 维度再喂给模型imgtorch.randn(3,32,32)# [C, H, W]img_batchimg.unsqueeze(0)# [1, C, H, W] —— 模型需要 batch 维squeeze删掉大小为 1 的维度xtorch.randn(1,32,1)# [1, 32, 1]yx.squeeze()# [32] —— 删掉所有大小为 1 的维度zx.squeeze(0)# [32, 1] —— 只删第 0 维️危险操作不带参数的squeeze()会删掉所有大小为 1 的维度可能误删 batch 维xtorch.randn(1,1,32)# batch1, channel1, length32x.squeeze()# [32] —— batch 和 channel 都删了多半不是你想要的# 推荐明确指定维度避免误伤x.squeeze(1)# [1, 32] —— 只删 channel 维五、广播机制形状不同也能运算当两个形状不同的张量做、-、*、/时PyTorch 会自动拉伸某些维度让它们对齐再逐元素运算。这就是广播broadcasting。核心法则右对齐检查法把两个形状从右往左对齐每一维逐一检查是否满足以下三个条件之一两个数字相等其中一个是1该维会被拉伸复制其中一个不存在左侧空位等同补 1 后拉伸。三个条件都不满足——报错。# 案例 1成功atorch.ones(3,1)# [3, 1]btorch.ones(1,2)# [1, 2]cab# [3, 2] —— 两个都拉伸右对齐分析最后一维1和2→ 满足条件 2a拉伸成 2第一维3和1→ 满足条件 2b拉伸成 3# 案例 2失败atorch.ones(4,3)# [4, 3]btorch.ones(3,3)# [3, 3]cab# 报错右对齐分析最后一维3和3→ 满足条件 1通过第一维4和3→ 三个条件都不满足 → 报错数学直觉广播本质是隐式地把大小为 1 的维度复制若干份使其与另一张量对齐但不真的占用内存底层用 stride0 实现按需读取所以既方便又省显存。深度学习里的两个经典场景场景 1偏置相加全连接层输出[B, C]偏置是[C]。广播自动把偏置拉伸成[B, C]logitstorch.randn(32,10)# [B, C]biastorch.randn(10)# [C]resultlogitsbias# [32, 10] —— bias 沿 batch 维广播场景 2逐通道归一化图像[B, C, H, W]减去每个通道的均值[C, 1, 1]featurestorch.randn(32,3,224,224)meantorch.randn(3,1,1)# [C, 1, 1]normalizedfeatures-mean# [32, 3, 224, 224] —— 自动广播到每个像素右对齐验证最后一维224vs1拉伸、224vs1拉伸、3vs3相等、32vs 缺位补 1 拉伸——全部通过。 点击在线体验此交互组件和[1,2]中间展示右对齐检查过程——每一维用绿色标注通过相等/拉伸“、红色标注失败”右侧展示广播后的最终 Shape并用动画演示小维度如何复制拉伸去铺满大维度。让用户在拖拽数字中彻底吃透右对齐检查法。]六、速查表什么时候用什么需求用什么例子改变形状总元素数不变reshape[B,C,H,W] → [B, C*H*W]改变形状且确认内存连续view同上省一次复制、性能稍好交换两个维度transpose[B,T,D] → [T,B,D]重排多个维度permute[B,H,W,C] → [B,C,H,W]加一个大小为 1 的维度unsqueeze[F] → [1, F]删掉大小为 1 的维度指定轴squeeze(dim)[1, B] → [B]不同形状的元素级运算广播自动[B,C] [C]七、三个高频错误错误 1transpose 后用 view 报错xtorch.randn(3,4)x_tx.transpose(0,1)x_t.view(12)# RuntimeError: view size is not compatible修复用reshape自动处理或先x_t x_t.contiguous()再view。错误 2squeeze 误删 batch 维xtorch.randn(1,10)# batch1yx.squeeze()# [10] —— batch 维没了model(y)# 报错模型要 [B, F]你给了 [F]修复指定维度x.squeeze(1)或者干脆别对 batch 维做squeeze。错误 3广播静默错误logitstorch.randn(32,10)# [B, C]ytorch.randn(32,10)# 本意是 [B]却写成了 [B, 10]losslogitsy# 不报错但语义完全错了广播不会报错但结果可能完全不是你想要的——它默默地把[B,10]当成每个样本有 10 个独立标签去逐位相加了。养成习惯运算前print(x.shape)确认别迷信能跑就是对的。八、课后练习练习 1把[2, 3, 4]的张量变成[6, 4]写出三种不同的写法。练习 2下面代码能跑吗为什么结果 Shape 是多少atorch.randn(2,1,3)btorch.randn(4,3)cab练习 3CNN 输出[32, 64, 7, 7]要接Linear(3136, 10)。写一行代码把 CNN 输出转成Linear能接收的形状。参考答案 / 自检思路练习 1xtorch.randn(2,3,4)# 写法一reshape最通用x.reshape(6,4)# 写法二view原始内存连续时可用x.view(6,4)# 写法三先合并前两维等价于 flatten 前两维x.flatten(0,1)# [6, 4]# 或者更省心用 -1 自动推断x.reshape(6,-1)练习 2能跑。右对齐分析最后一维3和3→ 相等通过中间维1和4→ 1 会广播成 4第一维2和不存在→ 缺位等同补 1广播成 2结果 Shape[2, 4, 3]练习 3xtorch.randn(32,64,7,7)xx.reshape(32,-1)# 或 x.reshape(x.shape[0], -1) 或 torch.flatten(x, 1)# 现在 x.shape [32, 3136]可以接 Linear(3136, 10)验证64 × 7 × 7 3136正好等于Linear的in_features。核心要点小结底层抓手是内存连续性reshape比view宽容不连续时自动复制拿不准就reshapeview省复制、更快但要求内存连续。transpose 换两个轴permute 重排全部轴换 3 维以上只能用permute。transpose/permute 后内存不连续想用view要先contiguous()或干脆用reshape。squeeze 别乱用无参版本容易误删 batch 维推荐squeeze(dim)明确指定。广播靠右对齐检查法从右往左每维满足相等 / 为 1 / 缺位之一才行“不报错不等于结果对”运算前先print(shape)。速查表改形状reshape、换维度permute、加维度unsqueeze、删维度squeeze(dim)、异形运算靠广播。动手思考题构造一个连续 → 转置 → 不连续的张量分别打印x.is_contiguous()、x.stride()在转置前后的变化直观感受stride是怎么描述怎么看内存的。把a torch.randn(2, 1, 3)和b torch.randn(4, 3)相加验证结果真的是[2, 4, 3]吗再试着故意制造一个广播失败案例比如让第一维是4和5看看报错信息长什么样。为什么 CNN 接全连接层时几乎总是写x.reshape(x.shape[0], -1)而不是写死具体数字如果模型输入图片尺寸从 32×32 改成 64×64写死数字会有什么后果在评论区贴出你被view/reshape/广播坑过的真实经历我们一起复盘 下一篇我们离开形状转换回到数据加载——自定义Dataset怎么封装你自己的训练数据。 关于本系列本文是「AI 学习路线 · 阶段四:PyTorch 深度学习基础」系列中的一篇。所有文章在我的个人博客上都有可交互动画 完整学习路线版本,建议配合食用 在博客上阅读本文原版(含可交互组件、公式动画) reshape、view、transpose、广播到底怎么选️查看完整 AI 学习路线(从 0 到进阶,持续更新) bestsdz.xyz觉得有帮助的话,欢迎去博客点个收藏 ⭐,你的支持是我更新的最大动力!
reshape、view、transpose、广播到底怎么选副标题手把手带你从内存连续性和右对齐检查法两个底层原理出发分清 reshape / view / transpose / permute / 广播Shape 转换从此不靠瞎试你有没有过这种玄学时刻写x.view(2, 3)报错改成x.reshape(2, 3)就好了——但你说不清为什么写x.transpose(0, 1)能跑改成x.permute(0, 1)也能跑——它们不是同一个东西吗两个形状不同的张量相加有时候自动对齐有时候报一串看不懂的错。如果你全中别慌这一篇就是来终结这种瞎试的。上期我们讲清了Shape 是数据契约每个维度应该是多少这一期解决怎么合法地改造 Shape。我会给你两个底层抓手内存连续性解释 reshape/view 之争和右对齐检查法解释广播。理解了原理你就不再需要背哪个好用而是能推断出为什么这样写才对。一、先建立底层直觉张量在内存里是一条线想真正搞懂reshape/view/transpose你得先明白一件事张量在物理内存里其实是一长条连续的数字所谓几行几列只是 PyTorch 用shapestride步长这层包装纸帮你看到的样子。shape决定看起来几维、每维多大stride决定在某一维上走一步内存里要跳几个格子。reshape和view的区别本质就在这层包装纸下面内存是否真的连续。二、reshape vs view能重塑但不复制这两个函数作用几乎一样把张量改变形状不改变数据本身总元素数必须守恒。importtorch xtorch.arange(12)# 一维张量[0,1,...,11]print(x.shape)# torch.Size([12])yx.reshape(3,4)zx.view(3,4)print(y.shape)# torch.Size([3, 4])print(z.shape)# torch.Size([3, 4])核心区别只有一个对内存连续性的要求不同。函数要求内存连续吗不连续时会怎样view必须连续报错RuntimeError: view size is not compatiblereshape不要求自动复制一份再重塑永远能用为什么会有不连续看下面这个经典场景——transpose之后张量在物理内存里的排列顺序变了但 PyTorch 没搬动数据只是改了stride于是它不连续了xtorch.randn(3,4)# transpose 之后内存不连续只改了 stride没搬数据x_tx.transpose(0,1)print(x_t.is_contiguous())# False# view 报错它要求底层那串数字真的按新形状排好x_t.view(12)# RuntimeError# reshape 没事它发现不连续就先复制成连续再重塑x_t.reshape(12)# 自动复制成功直觉比喻view像是给同一本已经装订好的书换封面——书页顺序不能变所以要求原书页是连续的reshape像是重新排印——发现页序乱了它直接重印一本所以怎么排都行。view省了一次复制更快更省内存但前提是原书页本来就连续。实战建议拿不准就用reshape它更宽容。view性能稍好不复制但前提是你确信内存连续通常是刚torch.randn/arange出来、没做过转置的时候。-1的用法自动推断那一维两个函数都支持-1表示这一维的大小你帮我算——前提是其他维度定下来后能唯一整除xtorch.randn(32,8,8)yx.reshape(32,-1)# [32, 64] —— -1 自动算成 8*864zx.reshape(-1)# [2048] —— 展平成一维# -1 只能出现一次否则 PyTorch 不知道怎么分x.reshape(-1,-1)# 报错这是Flatten的等价写法CNN 接全连接层时天天用# 下面两行等价都表示保留 batch 维把其余摊平xx.reshape(x.shape[0],-1)xtorch.flatten(x,start_dim1) 点击在线体验此交互组件三、transpose vs permute调换维度顺序这两兄弟负责四类本质操作里的调换维度顺序。区别在于一个只换两个一个能重排全部。transpose只换两个维度xtorch.randn(2,3,4)# [2, 3, 4]yx.transpose(0,1)# 交换第 0 维和第 1 维print(y.shape)# [3, 2, 4]只能一次换两个。permute一次性重排所有维度xtorch.randn(2,3,4)# [2, 3, 4]# 参数含义新顺序里每个位置放原来的第几维yx.permute(2,0,1)# 第2维放最前、第0维居中、第1维最后print(y.shape)# [4, 2, 3]⚠️易混辨析transpose(a, b)只翻转指定的两个轴permute(*dims)给出的是完整的新轴顺序。当你要换的恰好只有两个轴时x.transpose(0,1)和x.permute(1,0)结果一样但permute更通用。需要换 3 个及以上维度时只能用permute。最经典的图像场景图像库如 OpenCV、PIL读出的图片通常是[H, W, C]高、宽、通道但 PyTorch 的 CNN 约定要[C, H, W]# [H, W, C] → [C, H, W]imgtorch.randn(32,32,3)# 假设是 [H, W, C]img_chwimg.permute(2,0,1)# [3, 32, 32]print(img_chw.shape)# torch.Size([3, 32, 32])transpose 之后想用 view先 contiguoustranspose和permute返回的都是视图view——不复制数据只改stride所以内存通常不连续。想在这之后用view得先contiguous()把数据在物理上重排成连续xtorch.randn(3,4)x_tx.transpose(0,1)# 不连续# x_t.view(12) # 报错内存不连续x_tx_t.contiguous()# 复制成连续内存这一步才真正搬数据x_t.view(12)# 现在能用了或者更省心——直接用reshape它内部会自动判断要不要contiguousx_tx.transpose(0,1)yx_t.reshape(12)# 直接能用内部自动处理四、squeeze 和 unsqueeze增删大小为 1 的维度有些维度大小是 1它们占着位置但不增加信息。unsqueeze/squeeze专门增删这种维度——常用于补出或去掉 batch 维。unsqueeze加一个大小为 1 的维度xtorch.randn(10)# [10]yx.unsqueeze(0)# [1, 10] —— 在第 0 维加zx.unsqueeze(1)# [10, 1] —— 在第 1 维加最常见的用途单张图片补出 batch 维度再喂给模型imgtorch.randn(3,32,32)# [C, H, W]img_batchimg.unsqueeze(0)# [1, C, H, W] —— 模型需要 batch 维squeeze删掉大小为 1 的维度xtorch.randn(1,32,1)# [1, 32, 1]yx.squeeze()# [32] —— 删掉所有大小为 1 的维度zx.squeeze(0)# [32, 1] —— 只删第 0 维️危险操作不带参数的squeeze()会删掉所有大小为 1 的维度可能误删 batch 维xtorch.randn(1,1,32)# batch1, channel1, length32x.squeeze()# [32] —— batch 和 channel 都删了多半不是你想要的# 推荐明确指定维度避免误伤x.squeeze(1)# [1, 32] —— 只删 channel 维五、广播机制形状不同也能运算当两个形状不同的张量做、-、*、/时PyTorch 会自动拉伸某些维度让它们对齐再逐元素运算。这就是广播broadcasting。核心法则右对齐检查法把两个形状从右往左对齐每一维逐一检查是否满足以下三个条件之一两个数字相等其中一个是1该维会被拉伸复制其中一个不存在左侧空位等同补 1 后拉伸。三个条件都不满足——报错。# 案例 1成功atorch.ones(3,1)# [3, 1]btorch.ones(1,2)# [1, 2]cab# [3, 2] —— 两个都拉伸右对齐分析最后一维1和2→ 满足条件 2a拉伸成 2第一维3和1→ 满足条件 2b拉伸成 3# 案例 2失败atorch.ones(4,3)# [4, 3]btorch.ones(3,3)# [3, 3]cab# 报错右对齐分析最后一维3和3→ 满足条件 1通过第一维4和3→ 三个条件都不满足 → 报错数学直觉广播本质是隐式地把大小为 1 的维度复制若干份使其与另一张量对齐但不真的占用内存底层用 stride0 实现按需读取所以既方便又省显存。深度学习里的两个经典场景场景 1偏置相加全连接层输出[B, C]偏置是[C]。广播自动把偏置拉伸成[B, C]logitstorch.randn(32,10)# [B, C]biastorch.randn(10)# [C]resultlogitsbias# [32, 10] —— bias 沿 batch 维广播场景 2逐通道归一化图像[B, C, H, W]减去每个通道的均值[C, 1, 1]featurestorch.randn(32,3,224,224)meantorch.randn(3,1,1)# [C, 1, 1]normalizedfeatures-mean# [32, 3, 224, 224] —— 自动广播到每个像素右对齐验证最后一维224vs1拉伸、224vs1拉伸、3vs3相等、32vs 缺位补 1 拉伸——全部通过。 点击在线体验此交互组件和[1,2]中间展示右对齐检查过程——每一维用绿色标注通过相等/拉伸“、红色标注失败”右侧展示广播后的最终 Shape并用动画演示小维度如何复制拉伸去铺满大维度。让用户在拖拽数字中彻底吃透右对齐检查法。]六、速查表什么时候用什么需求用什么例子改变形状总元素数不变reshape[B,C,H,W] → [B, C*H*W]改变形状且确认内存连续view同上省一次复制、性能稍好交换两个维度transpose[B,T,D] → [T,B,D]重排多个维度permute[B,H,W,C] → [B,C,H,W]加一个大小为 1 的维度unsqueeze[F] → [1, F]删掉大小为 1 的维度指定轴squeeze(dim)[1, B] → [B]不同形状的元素级运算广播自动[B,C] [C]七、三个高频错误错误 1transpose 后用 view 报错xtorch.randn(3,4)x_tx.transpose(0,1)x_t.view(12)# RuntimeError: view size is not compatible修复用reshape自动处理或先x_t x_t.contiguous()再view。错误 2squeeze 误删 batch 维xtorch.randn(1,10)# batch1yx.squeeze()# [10] —— batch 维没了model(y)# 报错模型要 [B, F]你给了 [F]修复指定维度x.squeeze(1)或者干脆别对 batch 维做squeeze。错误 3广播静默错误logitstorch.randn(32,10)# [B, C]ytorch.randn(32,10)# 本意是 [B]却写成了 [B, 10]losslogitsy# 不报错但语义完全错了广播不会报错但结果可能完全不是你想要的——它默默地把[B,10]当成每个样本有 10 个独立标签去逐位相加了。养成习惯运算前print(x.shape)确认别迷信能跑就是对的。八、课后练习练习 1把[2, 3, 4]的张量变成[6, 4]写出三种不同的写法。练习 2下面代码能跑吗为什么结果 Shape 是多少atorch.randn(2,1,3)btorch.randn(4,3)cab练习 3CNN 输出[32, 64, 7, 7]要接Linear(3136, 10)。写一行代码把 CNN 输出转成Linear能接收的形状。参考答案 / 自检思路练习 1xtorch.randn(2,3,4)# 写法一reshape最通用x.reshape(6,4)# 写法二view原始内存连续时可用x.view(6,4)# 写法三先合并前两维等价于 flatten 前两维x.flatten(0,1)# [6, 4]# 或者更省心用 -1 自动推断x.reshape(6,-1)练习 2能跑。右对齐分析最后一维3和3→ 相等通过中间维1和4→ 1 会广播成 4第一维2和不存在→ 缺位等同补 1广播成 2结果 Shape[2, 4, 3]练习 3xtorch.randn(32,64,7,7)xx.reshape(32,-1)# 或 x.reshape(x.shape[0], -1) 或 torch.flatten(x, 1)# 现在 x.shape [32, 3136]可以接 Linear(3136, 10)验证64 × 7 × 7 3136正好等于Linear的in_features。核心要点小结底层抓手是内存连续性reshape比view宽容不连续时自动复制拿不准就reshapeview省复制、更快但要求内存连续。transpose 换两个轴permute 重排全部轴换 3 维以上只能用permute。transpose/permute 后内存不连续想用view要先contiguous()或干脆用reshape。squeeze 别乱用无参版本容易误删 batch 维推荐squeeze(dim)明确指定。广播靠右对齐检查法从右往左每维满足相等 / 为 1 / 缺位之一才行“不报错不等于结果对”运算前先print(shape)。速查表改形状reshape、换维度permute、加维度unsqueeze、删维度squeeze(dim)、异形运算靠广播。动手思考题构造一个连续 → 转置 → 不连续的张量分别打印x.is_contiguous()、x.stride()在转置前后的变化直观感受stride是怎么描述怎么看内存的。把a torch.randn(2, 1, 3)和b torch.randn(4, 3)相加验证结果真的是[2, 4, 3]吗再试着故意制造一个广播失败案例比如让第一维是4和5看看报错信息长什么样。为什么 CNN 接全连接层时几乎总是写x.reshape(x.shape[0], -1)而不是写死具体数字如果模型输入图片尺寸从 32×32 改成 64×64写死数字会有什么后果在评论区贴出你被view/reshape/广播坑过的真实经历我们一起复盘 下一篇我们离开形状转换回到数据加载——自定义Dataset怎么封装你自己的训练数据。 关于本系列本文是「AI 学习路线 · 阶段四:PyTorch 深度学习基础」系列中的一篇。所有文章在我的个人博客上都有可交互动画 完整学习路线版本,建议配合食用 在博客上阅读本文原版(含可交互组件、公式动画) reshape、view、transpose、广播到底怎么选️查看完整 AI 学习路线(从 0 到进阶,持续更新) bestsdz.xyz觉得有帮助的话,欢迎去博客点个收藏 ⭐,你的支持是我更新的最大动力!
：A kernel page table per process)
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
