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]]