1. torch.unsqueeze()
torch.unsqueeze(input, dim, out=None)
- 作用: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
- 注意: 返回张量与输入张量共享内存,所以改变其中一个的内容会改变另一个。
如果dim为负,则将会被转化dim+input.dim()+1 - 参数:
tensor (Tensor)
– 输入张量
dim (int)
– 插入维度的索引
out (Tensor, optional)
– 结果张量
2. torch.squeeze()
torch.squeeze(input, dim=None, out=None)
- 作用:降维,将输入张量形状中的1 去除并返回。 如果输入是形如(A×1×B×1×C×1×D),那么输出形状就为: (A×B×C×D)
当给定dim时,那么挤压操作只在给定维度上。例如,输入形状为: (A×1×B), squeeze(input, 0) 将会保持张量不变,只有用 squeeze(input, 1),形状会变成 (A×B)。 - 注意: 返回张量与输入张量共享内存,所以改变其中一个的内容会改变另一个。
- 参数:
input (Tensor)
– 输入张量
dim (int, optional)
– 如果给定,则input只会在给定维度挤压
out (Tensor, optional)
– 输出张量
3. torch.expand()
- 作用:
expand()
函数可以将张量广播到新的形状。 - 注意: 只能对维度值为1的维度进行扩展,且扩展的Tensor不会分配新的内存,只是原来的基础上创建新的视图并返回;无需扩展的维度维度值不变,维度为-1即不变。
4. torch.repeat()
- 作用:和
expand()
作用类似,均是将tensor广播到新的形状。 - 注意:不允许使用维度-1,1即为不变。
以下为具体函数用法示例。
a = torch.rand((2,1,3,1))
# torch.Size([2,1,3,1])
b = torch.unsqueeze(a, 1)
# torch.Size([2,1,1,3,1])
c = torch.unsqueeze(a, 0)
# torch.Size([1,2,1,3,1])
d = torch.unsqueeze(a, -1)
# torch.Size([2,1,3,1,1])
e = a.torch.expand((2,3,3,2))
# torch.Size([2,3,3,2])
f = a.torch.expand((2,-1,3,2))
# torch.Size([2,1,3,2])
g = a.torch.repeat((1,1,1,2))
# torch.Size([2,1,3,2])
h = torch.squeeze(a)
# torch.Size([2,3])
i = torch.squeeze(a, 0)
# torch.Size([2,1,3,1])
j = torch.squeeze(a, 1)
# torch.Size([2,3,1])