torch.nn.Flatten()可以是Sequential模型的一層，torch中定義的是：
def __init__(self, start_dim: int = 1, end_dim: int = -1) -> None:
super(Flatten, self).__init__()
self.start_dim = start_dim
self.end_dim = end_dim
def forward(self, input: Tensor) -> Tensor:
return input.flatten(self.start_dim, self.end_dim)
因此，它是從第一維（而不是第0維）推平到最后一維。因此，它保留了batchsize，僅把每個數據推平為一維向量。
維指的就是形狀,如[2,3,4]
torch.flatten
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。
直接使用flatten（默認）：
>>> torch.flatten(t),torch.flatten(t).shape
(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([24]))
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。
轉載自：https://dilthey.cnblogs.com/