squeeze()和unsqueeze()

• torch.squeeze()
  两种用法：一种直接a.squeeze()；另一种torch.squeeze(a)
  • 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度，比如是一行或者一列这种，一个一行三列（1,3）的数去掉只有一个元素的维度之后就变成（3）行。squeeze(a)就是将a中所有为1的维度删掉。不为1的维度没有影响。a.squeeze(N) 就是去掉a中指定的维数为一的维度。还有一种形式就是b=torch.squeeze(a，N) a中去掉指定的定的维数为一的维度。

a = torch.ones(2,3)
a
Out[3]: 
tensor([[1., 1., 1.],
        [1., 1., 1.]])
a.dim()
Out[5]: 2
torch.squeeze(a)  # 没有元素数量为1的维度，所以不变
Out[6]: 
tensor([[1., 1., 1.],
        [1., 1., 1.]])
torch.squeeze(a).size()
Out[8]: torch.Size([2, 3])
a = torch.ones(1,3)
a
Out[10]: tensor([[1., 1., 1.]])
a = torch.squeeze(a) # 第0维度只有一个元素，
a
Out[14]: tensor([1., 1., 1.])  
a.size()
Out[16]: torch.Size([3]) # a.size()和a.shape效果一样
a.shape
Out[17]: torch.Size([3])

• torch.squeeze(input, dim = None, out = None) 返回一个tensor，当dim不设值时，去掉输入的tensor的所有维度为1的维度; 当dim为某一整数（0<=dim<input.dim()）时，判断dim维的维度是否为1，若是则去掉，否则不变。
  另外，当input是一维的时候，squeeze不变

>>> x = torch.zeros(1,1,2,1,3)
>>> x.dim()
5
>>> torch.squeeze(x).size()#去掉dim=1的维度
torch.Size([2, 3])
>>> torch.squeeze(x,0).size()  # dim=0表示第一维，且第一维的维度为1，所以去掉
torch.Size([1, 2, 1, 3])
>>> torch.squeeze(x,3).size()
torch.Size([1, 1, 2, 3])
>>> torch.squeeze(x,2).size()  # dim=2，第三维的维度为2!=1，所以不变
torch.Size([1, 1, 2, 1, 3])

• torch.unsqueeze()
  • torch.unqueeze(input, dim, out=None): 和squeeze作用相反，unsqueeze()在dim维插入一个维度为1的维，例如原来x是n×m维的，torch.unqueeze(x,0)这返回1×n×m的tensor
  • 这个函数主要是对数据维度进行扩充。给指定位置加上维数为一的维度，比如原本有个三行的数据（3），在0的位置加了一维就变成一行三列（1,3）。a.unsqueeze(N) 就是在a中N维处加上一个维数为1的维度。还有一种形式就是b=torch.unsqueeze(a，N) a就是在a中指定位置N加上一个维数为1的维度

# 输入的shape为 [3,224,224]
img_tensor.unsqueeze_(0)
img_tensor.shape
# torch.Size([1, 3, 224, 224])
a
Out[15]: tensor([1., 1., 1.])
a.unsqueeze_(0)
Out[18]: tensor([[1., 1., 1.]])