pytorch中的torch.unsqueeze和squeeze张量维度变化问题

顾名思义：unsqueeze，扩展维度，返回一个新的张量，对输入的既定位置插入维度 1

                  squeeze，压缩维度，将输入张量形状中的1 去除并返回。

torch.unsqueeze(input, dim)

torch.squeeze(input, dim)

• tensor (Tensor) – 输入张量
• dim (int) – 插入/消除 维度的索引

以下用一个二维张量进行举例：

压缩维度仅对（0，1）索引进行示例，（-1，-2）原理类似

import torch

x = torch.Tensor([[1, 2, 3, 4],
                 [5,6,7,8]])  
print('#' * 50)
print(x)  
print(x.size())  
print(x.dim())  

##########
print('#' * 50)
print(torch.unsqueeze(x, 0))  
print(torch.unsqueeze(x, 0).size())  
print(torch.unsqueeze(x, 0).dim())  
m=torch.unsqueeze(x, 0)
print(m.squeeze(0))
n=m.squeeze(0)
print(n.size())
print(n.dim())

##########
print('#' * 50)
print(torch.unsqueeze(x, 1))
print(torch.unsqueeze(x, 1).size())  
print(torch.unsqueeze(x, 1).dim())  
a=torch.unsqueeze(x, 1)
print(a.squeeze(1))
b=a.squeeze(1)
print(b.size())
print(b.dim())

##########
print('#' * 50)
print(torch.unsqueeze(x, -1))
print(torch.unsqueeze(x, -1).size())  
print(torch.unsqueeze(x, 1).dim())

##########
print('#' * 50)
print(torch.unsqueeze(x, -2))  
print(torch.unsqueeze(x, -2).size())  
print(torch.unsqueeze(x, -2).dim())  

相应结果：

##################################################
tensor([[1., 2., 3., 4.], 
        [5., 6., 7., 8.]])
torch.Size([2, 4])
2
##################################################
tensor([[[1., 2., 3., 4.],
         [5., 6., 7., 8.]]])
torch.Size([1, 2, 4])
3
tensor([[1., 2., 3., 4.],
        [5., 6., 7., 8.]])
torch.Size([2, 4])
2
##################################################
tensor([[[1., 2., 3., 4.]],

        [[5., 6., 7., 8.]]])
torch.Size([2, 1, 4])
3
tensor([[1., 2., 3., 4.],
        [5., 6., 7., 8.]])
torch.Size([2, 4])
2
##################################################
tensor([[[1.],
         [2.],
         [3.],
         [4.]],

        [[5.],
         [6.],
         [7.],
         [8.]]])
torch.Size([2, 4, 1])
3
##################################################
tensor([[[1., 2., 3., 4.]],

        [[5., 6., 7., 8.]]])
torch.Size([2, 1, 4])
3