mindspore.Tensor.reshape

Tensor.reshape(*shape)

基于给定的 shape ，对当前Tensor进行重新排列。

shape 最多只能有一个-1，在这种情况下，它可以从剩余的维度和当前Tensor的元素个数中推断出来。

参数：

shape (Union[tuple[int], list[int], Tensor[int]]) - 如果 shape 是list或者tuple，其元素需为整数，并且只支持常量值。如 \((y_1, y_2, ..., y_S)\) ，如果 shape 是Tensor，数据类型必须为int32或者int64，并且只支持一维Tensor。

返回：

Tensor，若给定的 shape 中不包含-1, 则输出 shape 为 \((y_1, y_2, ..., y_S)\) 。若给定的 shape 中第 k 个位置为-1，则输出 shape 为 \((y_1, ..., y_{k-1}, \frac{\prod_{i=1}^{R}x_{i}}{y_1\times ...\times y_{k-1}\times y_{k+1}\times...\times y_S} , y_{k+1},..., y_S)\)，其中输入Tensor的 shape 为 \((x_1, x_2, ..., x_R)\) 。

异常：

ValueError - 如果 shape 包含超过一个-1。
ValueError - 如果 shape 包含的元素小于-1。
ValueError - 针对于 shape 中不包含-1的场景，如果 shape 的元素总数不等于当前Tensor的元素总数，\(\prod_{i=1}^{R}x_{i} \ne \prod_{i=1}^{S}y_{i}\) 中包含-1的场景，如果除去 shape 中的-1外，其他元素总数无法被当前Tensor的元素总数整除。 \(\prod_{i=1}^{R}x_{i}\)。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor
>>> input = Tensor(np.array([[-0.1, 0.3, 3.6], [0.4, 0.5, -3.2]]), mindspore.float32)
>>> output = Tensor.reshape(input, (3, 2))
>>> print(output)
[[-0.1  0.3]
 [ 3.6  0.4]
 [ 0.5 -3.2]]