我有一个(8, 5, 300)形状的张量T，其中8是批处理大小，5是每个批处理中的文档数，而300是每个文档的编码。如果我按如下所示重塑张量，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，这个新的Tensor是否表示与原始Tensor相同的属性？通过属性，我的意思是，我可以说这也是批量大小为8的张量，每个批次5个文档，每个文档300维编码吗？
这会影响模型的训练吗？如果重塑Tensor弄乱了数据点，那么训练就没有意义了。例如，如果像上面这样重塑，则将输出为5个样本的批次，每个样本有300个大小为8的文档。如果发生这种情况，那就没有用了，因为我没有300个文档，所以我也没有一批5个样本。
我需要像这样重塑形状，因为介于两者之间的模型将产生形状为[8, 5, 300]的输出，并且下一层将输入接受为[5, 300, 8]。
答案 0 :(得分：3)
否
您需要了解reshape / view和permute之间的区别。
reshape和view仅更改张量的“ shape”，不对元素进行重新排序。因此
orig = torch.rand((8, 5, 300))
resh = orig.reshape(5, 300, 8)
orig[0, 0, :] != resh[0, :, 0]
如果您还想更改元素的顺序，则需要permute：
perm = orig.permute(1, 2, 0)
orig[0, 0, :] == perm[0, :, 0]
答案 1 :(得分：2)
不！ 我犯了一个类似的错误。 想象一下，您将2维Tensor（矩阵）转换为1维Tensor（Array）并对其应用了变换功能。由于您的新张量具有数组的特征，因此这将在代码中造成严重的问题。 希望你明白我的意思。