如何将RNN训练用T×B×N形状3D张量转换为B×TN形状的张量

核心逻辑是先调整维度顺序把批次维度B放到最前面，再将时间步T和特征N两个维度合并展平，注意不能直接展平，否则会打乱批次维度和时间维度的元素顺序。

各常用框架实现示例 #

• PyTorch

import torch
# 假设输入张量input_tensor形状为 T × B × N
output_tensor = input_tensor.permute(1, 0, 2).flatten(start_dim=1)
# 也可以用reshape实现：output_tensor = input_tensor.permute(1, 0, 2).reshape(input_tensor.shape[1], -1)

• TensorFlow

import tensorflow as tf
# 假设输入张量input_tensor形状为 T × B × N
transposed = tf.transpose(input_tensor, perm=[1, 0, 2])
output_tensor = tf.reshape(transposed, (tf.shape(input_tensor)[1], -1))

• NumPy

import numpy as np
# 假设输入数组input_arr形状为 T × B × N
output_arr = input_arr.transpose(1, 0, 2).reshape(input_arr.shape[1], -1)

内容的提问来源于stack exchange，提问作者gullerg