让 AI 排一次 PixelShuffle：画面变大，为什么元素总数没有增加
看到超分辨率模型里的PixelShuffle，AI可能解释成“每个像素放大成四块”。这个算子实际上把通道中的已有元素搬到更大的空间网格。八个互不相同的数字就足以检查它有没有复制、插值或只是错误地改了形状。
AI模型生成的概念插图：通道条中的色块改排成空间拼贴；排列只表达重组，不对应正文索引、精确缩放形状或软件截图。
先把通道数也算进尺寸
忽略批次维，输入有4个通道，每通道高1、宽2。按通道编号0、1、2、3，四行数据分别为[1,2]、[3,4]、[5,6]、[7,8]。设放大因子r=2。按PyTorch定义，输出通道为4/2²=1，高为1×2=2，宽为2×2=4。
输入元素数4×1×2=8，输出也是1×2×4=8。空间面积扩大四倍，通道数缩成四分之一，整体没有多出数字。如果输入只有3个通道，在这个规则下就无法用r=2完整分组；不能默默补一个通道再称为同一算子。
同一空间位置的四个通道组成一小块
在本例的单输出通道中，输入通道0、1、2、3分别对应输出小块的左上、右上、左下、右下。输入空间位置0上四个通道的值是1、3、5、7，因此放进输出左侧2×2小块：上排[1,3]、下排[5,7]。
输入空间位置1上对应2、4、6、8，放进右侧小块：上排[2,4]、下排[6,8]。两个小块并排后，完整输出两行为[1,3,2,4]和[5,7,6,8]。每个原数出现一次，没有平均出新值，也没有把任何一个数复制四次。
直接把原来的通道连续序列1到8改成2×4，往往会得到[1,2,3,4]与[5,6,7,8]。形状和元素总数都正确，空间位置却错误。检查PixelShuffle不能只核对shape，还要用唯一编号追踪实际索引。
倒着读一遍验证重排
从输出中按每个2×2块的左上位置取数，可以收回通道0的[1,2]；右上位置收回通道1的[3,4]；左下、右下分别收回[5,6]和[7,8]。这是本例的PixelUnshuffle方向，说明只要尺度和排列约定一致，这次重排本身没有丢数。
让AI交出一份八行映射，每行写输入通道、输入列、数值、输出行和输出列。人工重点看数字2：它来自通道0的第二个位置，最后落在输出第一行第三列，而不是第一行第二列。这一项就能区分正确重排与简单reshape。
实际网络通常先用可学习的层生成足够多的特征通道，再通过重排输出更大的空间尺寸。哪些通道应当学到什么内容，属于前面的模型；PixelShuffle本身没有可训练权重，也不会凭空证明高频细节真实存在。
多输出通道时，每组r²个输入通道对应各自输出通道，批次也分别处理。不同数据布局或导出算子可能采用不同的维度顺序，接入时要查文档并保留这种编号测试。画面看似正常，不代表所有通道和像素都已经对位。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立Python计算复核，不代表真实模型训练或性能测试。
