一. torch.squeeze()函数解析

1. 官网链接

torch.squeeze(),如下图所示:

2. torch.squeeze()函数解析

torch.squeeze(input, dim=None, out=None) 

squeeze()函数的功能是维度压缩。返回一个tensor(张量),其中 input 中维度大小为1的所有维都已删除。
举个例子:如果 input 的形状为 (A×1×B×C×1×D),那么返回的tensor的形状则为 (A×B×C×D)
当给定 dim 时,那么只在给定的维度(dimension)上进行压缩操作,注意给定的维度大小必须是1,否则不能进行压缩。
举个例子:如果 input 的形状为 (A×1×B),squeeze(input, dim=0)后,返回的tensor不变,因为第0维的大小为A,不是1;squeeze(input, 1)后,返回的tensor将被压缩为 (A×B)。

3. 代码举例

3.1 输入size=(2, 1, 2, 1, 2)的张量

x = torch.randn(size=(2, 1, 2, 1, 2))x.shape
输出结果如下:torch.Size([2, 1, 2, 1, 2])

3.2 把x中维度大小为1的所有维都已删除

y = torch.squeeze(x)#表示把x中维度大小为1的所有维都已删除y.shape
输出结果如下:torch.Size([2, 2, 2])

3.3 把x中第一维删除,但是第一维大小为2,不为1,因此结果删除不掉

y = torch.squeeze(x,0)#表示把x中第一维删除,但是第一维大小为2,不为1,因此结果删除不掉y.shape
输出结果如下:torch.Size([2, 1, 2, 1, 2])

3.4 把x中第二维删除,因为第二维大小是1,因此可以删掉

y = torch.squeeze(x,1)#表示把x中第二维删除,因为第二维大小是1,因此可以删掉y.shape
输出结果如下:torch.Size([2, 2, 1, 2])

3.5 把x中最后一维删除,但是最后一维大小为2,不为1,因此结果删除不掉

y = torch.squeeze(x,dim=-1)#表示把x中最后一维删除,但是最后一维大小为2,不为1,因此结果删除不掉y.shape
输出结果如下:torch.Size([2, 1, 2, 1, 2])

二.torch.unsqueeze()函数解析

1. 官网链接

torch.unsqueeze(),如下图所示:

2. torch.unsqueeze()函数解析

torch.unsqueeze(input, dim) → Tensor

unsqueeze()函数起升维的作用,参数dim表示在哪个地方加一个维度,注意dim范围在:[-input.dim() – 1, input.dim() + 1]之间,比如输入input是一维,则dim=0时数据为行方向扩,dim=1时为列方向扩,再大错误。

3. 代码举例

3.1 输入一维张量,在第0维(行)扩展,第0维大小为1

x = torch.tensor([1, 2, 3, 4])y = torch.unsqueeze(x, 0)#在第0维扩展,第0维大小为1y,y.shape
输出结果如下:(tensor([[1, 2, 3, 4]]), torch.Size([1, 4]))

3.2 在第1维(列)扩展,第1维大小为1

y = torch.unsqueeze(x, 1)#在第1维扩展,第1维大小为1y,y.shape
输出结果如下:(tensor([[1],         [2],         [3],         [4]]), torch.Size([4, 1]))

3.3 在第最后一维(也就是倒数第一维进行)扩展,最后一维大小为1

y = torch.unsqueeze(x, -1)#在第最后一维扩展,最后一维大小为1y,y.shape
输出结果如下:(tensor([[1],         [2],         [3],         [4]]), torch.Size([4, 1]))