tf.expand_dims（）和tf.squeeze（）的用法详解

tf.expand_dims

tf.expand_dims(
    input, axis=None, name=None, dim=None
)

给定的张量input，axis为需要在第几维度扩充，axis=0表示在原有的张量的第一维扩充，axis=1表示在原有的张量的第二维扩充，axis=-1表示在原有的张量的最后一维扩充

如果要将批次尺寸添加到单个元素，此操作很有用。例如，如果您有一个shape的图像[height, width, channels]，则可以用制作一批1张图像expand_dims(image, 0)，这将使shape成为[1, height, width, channels]。

示例：

增加一个维度

import numpy as np
import tensorflow as tf
from numpy import array

current = np.array([
    [0, 7, 1, 2, 2],
    [1, 7, 3, 4, 3],
    [2, 7, 5, 6, 6],
    [3, 7, 7, 8, 7],
    [4, 7, 7, 8, 7],
    [5, 7, 7, 8, 7]
])

current = array(current)

current = tf.constant(current)
points_e = tf.expand_dims(current, axis=0)#在第一维增加一维

print(current)   #Tensor("Const:0", shape=(6, 5), dtype=int32)
print(points_e)  #Tensor("ExpandDims:0", shape=(1, 6, 5), dtype=int32)

with tf.Session() as sess:
    print(sess.run(current))
    print(************************)
    print(sess.run(points_e))

 结果：

[[0 7 1 2 2]
 [1 7 3 4 3]
 [2 7 5 6 6]
 [3 7 7 8 7]
 [4 7 7 8 7]
 [5 7 7 8 7]]
*************************
[[[0 7 1 2 2]
  [1 7 3 4 3]
  [2 7 5 6 6]
  [3 7 7 8 7]
  [4 7 7 8 7]
  [5 7 7 8 7]]]    #增加了一维

官方示例 shape维度 

# 't' is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2]
shape(expand_dims(t, 1)) ==> [2, 1]
shape(expand_dims(t, -1)) ==> [2, 1]
# 't2' is a tensor of shape [2, 3, 5]
shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5]
shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]
shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]

tf.squeeze()

tf.squeeze(input, squeeze_dims=None, name=None)

Removes dimensions of size 1 from the shape of a tensor. 
从tensor中删除所有大小是1的维度

参数解释：

input：张量。 输入要挤压。
squeeze_dims：可选的ints列表。 默认为[]。 如果指定，只能挤压列出的尺寸。 维度索引从0开始。挤压不是1的维度是一个错误。
name：操作的名称（可选）。

给定张量输入，此操作返回相同类型的张量，并删除所有尺寸为1的尺寸。 如果不想删除所有尺寸1尺寸，可以通过指定squeeze_dims来删除特定尺寸1尺寸。
如果不想删除所有大小是1的维度，可以通过squeeze_dims指定需要删除的维度。

示例：

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t)) ==> [2, 3]
Or, to remove specific size 1 dimensions:
 
# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]