如何正确重塑Tensor？PyTorch Geometric中GCN邻接矩阵维度调整

嗨，我来帮你搞定这两个问题：

1. 如何正确重塑Tensor？ #

在PyTorch里，重塑Tensor主要有两个常用方法，各有适用场景：

• view()：速度快，但要求Tensor是连续存储的（如果不确定，可以先用contiguous()转换），它不会复制数据，只是改变数据的视图。
• reshape()：更灵活，不管Tensor是否连续，都会自动处理——如果原Tensor连续，就和view()一样；如果不连续，会自动复制一份连续的Tensor再重塑。

举个简单例子：

import torch
# 创建一个2×3×4的Tensor
x = torch.randn(2, 3, 4)

# 重塑为2×12
x_reshaped = x.reshape(2, 12)

# 用view的话，先确保连续（如果原Tensor已经连续可以省略contiguous()）
x_viewed = x.contiguous().view(2, 12)

另外，你可以用-1让PyTorch自动计算某个维度的大小，比如x.reshape(-1, 6)会自动算出第一维度是4（因为2×3×4=24，24÷6=4），最终得到4×6的Tensor。

2. 调整GCN归一化邻接矩阵维度为(50,50) #

先解释下你当前的情况：代码里的norm是每条边对应的归一化系数，因为你的图（加上自环后）总共有500条边，所以它的维度是torch.Size([500])。要转成(50,50)的稠密邻接矩阵，本质是把这些系数放到对应的边位置上，没有边的位置填0，这里有两种简单方法：

方法一：稀疏矩阵转稠密矩阵 #

利用torch.sparse_coo_tensor创建稀疏邻接矩阵，再转成稠密格式：

import torch
from torch_geometric.nn import MessagePassing
from torch_geometric.utils import add_self_loops, degree
from torch_geometric.data import Data
from torch_geometric.utils import erdos_renyi_graph

edge_index = erdos_renyi_graph(50, edge_prob=0.2)
x = torch.eye(50, 50)
data = Data(edge_index=edge_index, x=x,)
edge_index, _ = add_self_loops(edge_index, num_nodes=data.x.size(0))
row, col = edge_index
deg = degree(col, x.size(0), dtype=x.dtype)
deg_inv_sqrt = deg.pow(-0.5)
norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

# 创建稀疏COO矩阵并转为稠密矩阵
adj_norm = torch.sparse_coo_tensor(edge_index, norm, (50, 50)).to_dense()
print(adj_norm.size())  # 输出: torch.Size([50, 50])

方法二：直接初始化稠密矩阵填充 #

先创建全0的(50,50)矩阵，再把norm的值放到对应的(row, col)位置：

# 初始化全0的稠密邻接矩阵
adj_norm = torch.zeros(50, 50, dtype=x.dtype)
# 将每条边的归一化系数填充到对应位置
adj_norm[row, col] = norm
print(adj_norm.size())  # 输出: torch.Size([50, 50])

这两种方法都能得到你想要的(50,50)维度的归一化邻接矩阵，你可以根据自己的需求选择——如果后续需要进行稀疏运算，保留稀疏矩阵会更节省内存；如果需要稠密矩阵的操作，转成稠密格式就好。

内容的提问来源于stack exchange，提问作者TinaTz