Pytorch学习笔记之 .squeeze()/.unsqueeze()

unsqueeze(arg)代表在arg位置新增一维度。这一函数的主要目的是当我们在使用深度学习进行运算时，我们需要的都是行列式，如果传入参数为一数组（0维Tensor），无法进行运算。

 

squeeze(arg)代表去掉arg这一维度。

# torch.mul(a,b) will return the element-wise multiplication
c = torch.mul(a,b)
# for example,
a = torch.tensor([[0., 1., 2.],
                  [0., 1., 2.],
                  [0., 1., 2.]])
b = torch.tensor([[0., 0., 0.],
                  [1., 1., 1.],
                  [2., 2., 2.]])

c = a.mul(b)
print(c)

tensor([[0., 0., 0.],
        [0., 1., 2.],
        [0., 2., 4.]])

# torch.mm(a,b) will return the matrix-multiplication

d = a.mm(b)
print(d)

tensor([[5., 5., 5.],
        [5., 5., 5.],
        [5., 5., 5.]])

a.addmm_(alpha, beta, b, c)

# a.addmm_(alpha, beta, b, c) will return:
#    a = alpha * a + beta * (b @ c)
#which equals to:
#    a = a.addmm(alpha, beta, b, c)

# for example:
a = torch.ones([3,3])
b = torch.tensor([[0., 1., 2.],
                  [0., 1., 2.],
                  [0., 1., 2.]])
c = torch.tensor([[0., 0., 0.],
                  [1., 1., 1.],
                  [2., 2., 2.]])

a.addmm_(1,-2, b, c)

#    tensor([[  1.,   1.,   1.],
#            [  1.,  -5., -11.],
#            [  1., -11., -23.]])
# note:
b.mm(c)
#    tensor([[ 0.,  0.,  0.],
#            [ 0.,  3.,  6.],
#            [ 0.,  6., 12.]])