torch.squeeze()的用法

用于去掉维数为1的维度

输入

import torch
a=torch.tensor([[[1,2,3],
                [4,5,6]]])
print(a)
print(a.shape)

结果

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

输入 

b=a.squeeze()
print(b)
print(b.shape)

输出:将torch.Size([1, 2, 3])中的1维去掉了

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

下面试验一下shape里面有两个维数1,是否可以全部去掉

输入

import torch
a=torch.randn(1,2,1,3)
print(a)
print(a.shape)
b=a.squeeze()
print(b)
print(b.shape)

输出

tensor([[[[ 0.4250,  0.7191,  0.4334]],

         [[-1.4933, -0.5805, -0.4109]]]])
torch.Size([1, 2, 1, 3])
tensor([[ 0.4250,  0.7191,  0.4334],
        [-1.4933, -0.5805, -0.4109]])
torch.Size([2, 3])

是否可以制定去掉哪个维度

torch.squeeze(input, dim=None, *, out=None)

input是需要操作的tensor数据类型,dim指定需要去掉的维度

也可以是

input.squeeze(dim=None, *, out=None)

输入:

import torch
a=torch.randn(1,2,1,3)
print(a)
print(a.shape)
b=a.squeeze(0)
print(b)
print(b.shape)

输出

tensor([[[[ 0.0865,  1.7813, -0.2721]],

         [[ 0.2280,  0.7990,  0.5873]]]])
torch.Size([1, 2, 1, 3])
tensor([[[ 0.0865,  1.7813, -0.2721]],

        [[ 0.2280,  0.7990,  0.5873]]])
torch.Size([2, 1, 3])

如果指定去掉的维度不是1维,会怎样

输入

import torch
a=torch.randn(1,2,1,3)
print(a)
print(a.shape)
b=a.squeeze(1)
print(b)
print(b.shape)

输出 不会发生变化

tensor([[[[ 1.2664, -0.7684, -1.3079]],

         [[-0.5082,  2.2029,  0.1442]]]])
torch.Size([1, 2, 1, 3])
tensor([[[[ 1.2664, -0.7684, -1.3079]],

         [[-0.5082,  2.2029,  0.1442]]]])
torch.Size([1, 2, 1, 3])

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
torch.squeeze函数是用来对输入的张量进行处理的。它的作用是移除张量中所有大小为1的维度,保留其他维度。函数的用法torch.squeeze(input, dim=None, *, out=None),其中input表示输入的张量,dim表示要移除的指定维度(如果维度大小为1则移除,否则保留)。如果不指定dim,则会移除所有大小为1的维度。 举个例子,假设我们有一个大小为[2, 1, 2, 1, 2]的张量x,我们可以使用torch.squeeze函数对它进行处理。如果我们不指定dim参数,即使用torch.squeeze(x),那么所有大小为1的维度都会被移除,最终得到的张量y的大小为[2, 2, 2]。如果我们指定dim参数为0,即使用torch.squeeze(x, 0),但是维度0的size不为1,所以维度0会被保留,最终得到的张量y的大小仍为[2, 1, 2, 1, 2]。如果我们指定dim参数为1,即使用torch.squeeze(x, 1),维度1的size为1,所以维度1会被移除,最终得到的张量y的大小为[2, 2, 1, 2]。 总之,torch.squeeze函数可以根据指定的维度对输入的张量进行压缩,去除维度大小为1的部分,从而得到一个维度更小的张量。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [torch.squeeze用法](https://blog.csdn.net/weixin_42305201/article/details/124355611)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [torch.squeeze 函数运用](https://blog.csdn.net/scar2016/article/details/122145351)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [详解pytorchsqueeze()和unsqueeze()函数介绍](https://download.csdn.net/download/weixin_38629976/13707836)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

铁灵

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值