利用Torch中的`flatten()`函数进行张量展平

**

1.第一个例子

**
torch.flatten(x)等于torch.flatten(x,0)，默认将张量拉成一维的向量，也就是说从第一维开始平坦化，也就是开始整合。
torch.flatten(x,1)代表从第二维开始平坦化。
torch.flatten(x,0,1)代表在第一维和第二维之间平坦化。

代码示例：
这里的tensor有batch，就按照有的来，直接从0开始数tensor的第几维，batch就是第0维。

**

2.第二个例子

**
具体解释

torch.flatten(input, start_dim=0, end_dim=-1)
input: 一个 tensor，即要被“推平”的 tensor。
start_dim: “推平”的起始维度。
end_dim: “推平”的结束维度。

如果我们要自己设定起始维度和结束维度呢？
我们要先来看一下 tensor 中的 shape 是怎么样的：

t = torch.tensor([[[1, 2, 2, 1],
                   [3, 4, 4, 3],
                   [1, 2, 3, 4]],
                  [[5, 6, 6, 5],
                   [7, 8, 8, 7],
                   [5, 6, 7, 8]]])
print(t, t.shape)

运行结果：

tensor([[[1, 2, 2, 1],
         [3, 4, 4, 3],
         [1, 2, 3, 4]],

        [[5, 6, 6, 5],
         [7, 8, 8, 7],
         [5, 6, 7, 8]]])
torch.Size([2, 3, 4])

我们可以看到，这里的tensor的形状是[channel,h,w]，与第一个例子不同， 这里的tensor没有batch，就按照没有的来，直接从0开始数tensor的第几维，channel就是第0维。 tensor实体最外面小括号仅作为tensor的标志，然后最外层方括号包裹，要想看tensor是几通道的(channel)，看最外层方括号里面有几个“大元素”。
具体如下：最外层的方括号内含两个元素，因此 shape 的第一个值(channels)是 2；类似地，第二层方括号里面含三个元素，shape 的第二个值(H)就是 3；最内层方括号里含四个元素，shape 的第3个值(W)就是 4。

示例代码：

x = torch.flatten(t, start_dim=1)
print(x, x.shape)
y = torch.flatten(t, start_dim=0, end_dim=1)
print(y, y.shape)

运行结果：

tensor([[1, 2, 2, 1, 3, 4, 4, 3, 1, 2, 3, 4],
        [5, 6, 6, 5, 7, 8, 8, 7, 5, 6, 7, 8]]) 
torch.Size([2, 12])

tensor([[1, 2, 2, 1],
        [3, 4, 4, 3],
        [1, 2, 3, 4],
        [5, 6, 6, 5],
        [7, 8, 8, 7],
        [5, 6, 7, 8]]) 
torch.Size([6, 4])