9.paddlepaddle中squeeze的用法，裁剪到想要维度

1.前言

在深度学习中，我们经常需要对模型的中间输出或者最终输出进行相应的裁剪。

以达到我们想要的维度，让模型层之间计算顺畅，这时候squeeze函数就相当的有用。

2.squeeze的用法

squeeze主要裁剪的是尺寸为1的维度，如一个shape为(5,1,10)的矩阵，我们想将中间的1去掉，代码如下。

import paddle

x = paddle.rand([5, 1, 10])
output = paddle.squeeze(x, axis=1)

print(x.shape)  # [5, 1, 10]
print(output.shape)  # [5, 10]

那么常见使用的时候往往是将（16,10,1）的最后一个尺寸为1的象限去掉，这时候代码如下：

import paddle

x = paddle.rand([16, 10, 1])
output = paddle.squeeze(x, axis=-1)

print(x.shape)  # [16, 10, 1]
print(output.shape)  # [16, 10]

那么知道squeeze的用法后，我们就可以开始为所欲为了。

3.squeeze在bert文本分类中实例

假设我们现在有一个bert，大家都知道一个（1，10）长度的文本经过bert标准模型会变为（1,10,768）的向量。

其中768代表的每个字的向量信息，在文本分类中我们惯用第一个token即first-token的向量作为文本分类模型的输入。

但是我们也