PyTorch中为什么需要使用squeeze()和unsqueeze()操作？

1 问题描述

今天在学习FaceBoxes~

在看到模型推理部分的代码时，总会出现squeeze()和unsqueeze()操作，从网上的资料上来看，就是升维和降维的操作，但是为什么需要进行这样的操作呢？

2 PyTorch中的squeeze()和unsqueeze()操作

看到“西北小生_”的博文，给予了我一定的启发《torch.squeeze()和torch.unsqueeze()》，他在博文中是这样说的：

unsqueeze()函数的功能是在tensor的某个维度上添加一个维数为1的维度，这个功能用view()函数也可以实现。这一功能尤其在神经网络输入单个样本时很有用，由于pytorch神经网络要求的输入都是mini-batch型的，维度为[batch_size, channels, w, h]，而一个样本的维度为[c, w, h]，此时用unsqueeze()增加一个维度变为[1, c, w, h]就很方便了。

莫烦在教程中也讲到过，Torch只能处理二维的数据，

果然，“西北小生_”的表述是很有道理，今天在学习了《Deep Learning with PyTorch: A 60 Minute Blitz》，终于有些明白了，

Soumith Chintala在他的教程中是这样讲述的，

我觉得讲的挺好的，.unsqueeze(0)操作主要是针对于此时的输入数据只包含一个样本的情况；

感谢网友“中国拖拉机手”的解答，他是这样说的：

pytorch中，处理图片必须一个batch一个batch的操作，所以我们要准备的数据的格式是 [batch_size, n_channels, hight, width]

这样的话，我就明白了，将图像数据的张量送入到torch中进行处理之前，首先需要转换成[batch_size, n_channels, hight, width]的格式，所以需要使用unsqueeze()的升维操作；

而相应的，在降维的时候，需要用到squeeze()操作；

所以，我们会在PyTorch中使用使用squeeze()和unsqueeze()进行降维和升维的步骤。