先看函數參數：
torch.flatten(input, start_dim=0, end_dim=-1)
input: 一個 tensor，即要被“推平”的 tensor。
start_dim: “推平”的起始維度。
end_dim: “推平”的結束維度。
首先如果按照 start_dim 和 end_dim 的默認值，那么這個函數會把 input 推平成一個 shape 為 $[n]$ 的tensor，其中 $n$ 即 input 中元素個數。
如果我們要自己設定起始維度和結束維度呢？
我們要先來看一下 tensor 中的 shape 是怎么樣的：
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)
運行結果：
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])
我們可以看到，最外層的方括號內含兩個元素，因此 shape 的第一個值是 $2$；類似地，第二層方括號里面含三個元素，shape 的第二個值就是 $3$；最內層方括號里含四個元素，shape 的第二個值就是 $4$。
示例代碼：
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)
運行結果：
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])
可以看到，當 start_dim = $1$ 而 end_dim = $-1$ 時，它把第 $1$ 個維度到最后一個維度全部推平合並了。而當 start_dim = $0$ 而 end_dim = $1$ 時，它把第 $0$ 個維度到第 $1$ 個維度全部推平合並了。
（這里注意的一點是，維度是從第 $0$ 維開始的）
而且，pytorch中的 torch.nn.Flatten 類和 torch.Tensor.flatten 方法其實都是基於上面的 torch.flatten 函數實現的。