squeeze函数
原型为:torch.squeeze(input, dim=None, *, out=None) → Tensor
删除一个张量中所有维数为1的维度
例如,一个维度为 ( A × 1 × B × C × 1 × D ) 的张量调用squeeze方法后维度变为( A × B × C × D )
当给定维度(dim)参数后,squeeze操作只作用于给定维度。如果输入input的形状为( A ×1 × B ), squeeze(input, 0)不改变这个张量, 但是squeeze(input, 1) 将把这个张量的形状变为( A × B ).
In: import torch
a = torch.arange(2,7)
In: a
Out: tensor([2, 3, 4, 5, 6])
In: b=a.unsqueeze(1)
c=b.unsqueeze(2)
c.size()
Out: torch.Size([5, 1, 1])#此时c中有两个维度为1
In: c.squeeze().size() #使用squeeze(),无参数
Out: torch.Size([5])#结果将所有维度为1 的都去掉了,最终剩下一个维度
unsqueeze函数
原型为:torch.unsqueeze(input, dim=None, *, out=None) → 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,其实际意义就是说,原始数据可能就是一个一维的数组,而进行运算时可能需要是二维或者三维的,因此可以使用unsqueeze()函数进行维数扩展,一般情况是在tensor的最前面或者最后面扩展。该函数使用时必须给参数,参数代表在哪个位置添加维度。
In: import torch
#randn(m,n):生成m行n列标准正态分布的伪随机数
a = torch.randn(3,4)
Out: tensor([[-1.0809, -0.8047, -0.6995, 0.5052],
[-0.7799, 0.9266, 0.0258, 0.7924],
[ 1.0556, -1.1555, 0.2691, 0.0818]])
In: a.size()
Out: torch.Size([3, 4])
In: b=a.unsqueeze(1)#下标从0开始,在下标为1的位置添加一个维度,值 为1
b.size()
Out: torch.Size([3, 1, 4])
In: c=b.unsqueeze(3)#在下标为1的位置添加一个维度
c.size()
Out: torch.Size([3, 1, 4, 1])
一般情况,我们只在下标为0的位置或者最后一个下标处增加维度
所谓的增加维度,对实际的数据来说,并没有任何改变,只是通过这个操作,让计算机看起来这个tensor变成了一个高维的tensor
unsqueeze()有点类似于view()作用,view()从意思来看,就是将其视为怎样的shape,也就是说,是一个“视觉”上的操作。
参考: