1. 入门测试

torch.squeeze(input, dim = None, out = None): 返回一个tensor
- 当dim不设值时，去掉输入的tensor的所有维度为1的维度;
- 当dim为某一整数（0<=dim<input.dim()）时，判断dim维的维度是否为1，若是则去掉，否则不变。
- 另外，当input是一维的时候，squeeze不变

>>> x = torch.zeros(1,1,2,1,3)
>>> x.dim()
5
>>> torch.squeeze(x).size() # 去掉dim=1的维度
torch.Size([2, 3])
>>> torch.squeeze(x,0).size()  # dim=0表示第一维，且第一维的维度为1，所以去掉
torch.Size([1, 2, 1, 3])
>>> torch.squeeze(x,3).size()
torch.Size([1, 1, 2, 3])
>>> torch.squeeze(x,2).size()  # dim=2，第三维的维度为2!=1，所以不变
torch.Size([1, 1, 2, 1, 3])

torch.unqueeze(input, dim, out=None): 和squeeze作用相反，unsqueeze()在dim维插入一个维度为1的维，例如原来x是n×m维的，torch.unqueeze(x,0)这返回1×n×m的tensor

>>> x = torch.tensor([1,2,3])  # dim=1,即（3）
>>> torch.unsqueeze(x, 1)  # 变为（3,1）的矩阵
tensor([[ 1],[ 2],[ 3]])

squeeze：压缩（降维）
unqueeze：解压缩（升维）

2. 深入研究

2.1 torch.unsqueeze 详解

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

import torchx = torch.tensor([1, 2, 3])
print(x)
print(x.size())
print(torch.unsqueeze(x, -1))  # dim=-1作用效果等同dim=1
print(torch.unsqueeze(x, -1).size())
>>>
tensor([1, 2, 3])
torch.Size([3])
------------
tensor([[1],[2],[3]])
torch.Size([3, 1])

import torchx = torch.tensor([1, 2, 3])
print(x)
print(x.size())
print(torch.unsqueeze(x, -2))  # dim=-2:转化为(1, input_dim)
print(torch.unsqueeze(x, -2).size())
>>>
tensor([1, 2, 3])
torch.Size([3])
------------
tensor([[1, 2, 3]])
torch.Size([1, 3])

IndexError: Dimension out of range (expected to be in range of [-2, 1], but got -3)

参数:
- tensor (Tensor) – 输入张量
- dim (int) – 插入维度的索引
- out (Tensor, optional) – 结果张量

import torchx = torch.Tensor([1, 2, 3, 4])  # torch.Tensor是默认的tensor类型（torch.FlaotTensor）的简称。print('-' * 50)
print(x)  # tensor([1., 2., 3., 4.])
print(x.size())  # torch.Size([4])
print(x.dim())  # 1
print(x.numpy())  # [1. 2. 3. 4.]print('-' * 50)
print(torch.unsqueeze(x, 0))  # tensor([[1., 2., 3., 4.]])
print(torch.unsqueeze(x, 0).size())  # torch.Size([1, 4])
print(torch.unsqueeze(x, 0).dim())  # 2
print(torch.unsqueeze(x, 0).numpy())  # [[1. 2. 3. 4.]]print('-' * 50)
print(torch.unsqueeze(x, 1))
# tensor([[1.],
#         [2.],
#         [3.],
#         [4.]])
print(torch.unsqueeze(x, 1).size())  # torch.Size([4, 1])
print(torch.unsqueeze(x, 1).dim())  # 2print('-' * 50)
print(torch.unsqueeze(x, -1))
# tensor([[1.],
#         [2.],
#         [3.],
#         [4.]])
print(torch.unsqueeze(x, -1).size())  # torch.Size([4, 1])
print(torch.unsqueeze(x, -1).dim())  # 2print('-' * 50)
print(torch.unsqueeze(x, -2))  # tensor([[1., 2., 3., 4.]])
print(torch.unsqueeze(x, -2).size())  # torch.Size([1, 4])
print(torch.unsqueeze(x, -2).dim())  # 2# 边界测试
# 说明：A dim value within the range [-input.dim() - 1, input.dim() + 1) （左闭右开）can be used.
# print('-' * 50)
# print(torch.unsqueeze(x, -3))
# IndexError: Dimension out of range (expected to be in range of [-2, 1], but got -3)# print('-' * 50)
# print(torch.unsqueeze(x, 2))
# IndexError: Dimension out of range (expected to be in range of [-2, 1], but got 2)# 为何取值范围要如此设计呢？
# 原因：方便操作
# 0(-2)-行扩展
# 1(-1)-列扩展
# 正向：我们在0，1位置上扩展
# 逆向：我们在-2，-1位置上扩展
# 维度扩展：1维->2维，2维->3维，...，n维->n+1维
# 维度降低：n维->n-1维，n-1维->n-2维，...，2维->1维# 以 1维->2维 为例，# 从【正向】的角度思考：# torch.Size([4])
# 最初的 tensor([1., 2., 3., 4.]) 是 1维，我们想让它扩展成 2维，那么，可以有两种扩展方式：# 一种是：扩展成 1行4列 ，即 tensor([[1., 2., 3., 4.]])
# 针对第一种，扩展成 [1, 4]的形式，那么，在 dim=0 的位置上添加 1# 另一种是：扩展成 4行1列，即
# tensor([[1.],
#         [2.],
#         [3.],
#         [4.]])
# 针对第二种，扩展成 [4, 1]的形式，那么，在dim=1的位置上添加 1# 从【逆向】的角度思考：
# 原则：一般情况下， "-1" 是代表的是【最后一个元素】
# 在上述的原则下，
# 扩展成[1, 4]的形式，就变成了，在 dim=-2 的的位置上添加 1
# 扩展成[4, 1]的形式，就变成了，在 dim=-1 的的位置上添加 1

dim值对应增加维度的方式：

2.2 unsqueeze_和 unsqueeze 的区别

unsqueeze_ 和 unsqueeze 实现一样的功能,区别在于 unsqueeze_ 是 in_place 操作,即 unsqueeze 不会对使用 unsqueeze 的 tensor 进行改变,想要获取 unsqueeze 后的值必须赋予个新值, unsqueeze_ 则会对自己改变。

print("-" * 50)
a = torch.Tensor([1, 2, 3, 4])
print(a)
# tensor([1., 2., 3., 4.])b = torch.unsqueeze(a, 1)
print(b)
# tensor([[1.],
#         [2.],
#         [3.],
#         [4.]])print(a)
# tensor([1., 2., 3., 4.])print("-" * 50)
a = torch.Tensor([1, 2, 3, 4])
print(a)
# tensor([1., 2., 3., 4.])print(a.unsqueeze_(1))
# tensor([[1.],
#         [2.],
#         [3.],
#         [4.]])print(a)
# tensor([[1.],
#         [2.],
#         [3.],
#         [4.]])

2.3 torch.squeeze 详解

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

作用：降维

1. 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)

2. 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

为何只去掉 1 呢？

多维张量本质上就是一个变换，如果维度是 1 ，那么，1 仅仅起到扩充维度的作用，而没有其他用途，因而，在进行降维操作时，为了加快计算，是可以去掉这些 1 的维度。

print("*" * 50)m = torch.zeros(2, 1, 2, 1, 2)
print(m.size())  # torch.Size([2, 1, 2, 1, 2])n = torch.squeeze(m)
print(n.size())  # torch.Size([2, 2, 2])n = torch.squeeze(m, 0)  # 当给定dim时，那么挤压操作只在给定维度上
print(n.size())  # torch.Size([2, 1, 2, 1, 2])n = torch.squeeze(m, 1)
print(n.size())  # torch.Size([2, 2, 1, 2])n = torch.squeeze(m, 2)
print(n.size())  # torch.Size([2, 1, 2, 1, 2])n = torch.squeeze(m, 3)
print(n.size())  # torch.Size([2, 1, 2, 2])print("@" * 50)
p = torch.zeros(2, 1, 1)
print(p)
# tensor([[[0.]],
#         [[0.]]])
print(p.numpy())
# [[[0.]]
#  [[0.]]]print(p.size())
# torch.Size([2, 1, 1])q = torch.squeeze(p)
print(q)
# tensor([0., 0.])print(q.numpy())
# [0. 0.]print(q.size())
# torch.Size([2])print(torch.zeros(3, 2).numpy())
# [[0. 0.]
#  [0. 0.]
#  [0. 0.]]

参考：Link

加油!

感谢!

努力!

【终于有人搞懂了】详解 torch.unsqueeze() 和 torch.squeeze()相关推荐

手机里竟然有这么多传感器！终于都搞懂了
手机里竟然有这么多传感器!终于都搞懂了本文来自快科技随着技术的进步,手机已经不再是一个简单的通信工具,而是具有综合功能的便携式电子设备.手机的虚拟功能,比如交互.游戏.都是通过处理器强大的计算能力 ...
匈奴东胡突厥蒙古契丹女真 ……终于全部搞懂了！值得看。
匈奴东胡突厥蒙古契丹女真 --终于全部搞懂了!值得看. 古代到现在一些小国家的形成和解体
torch.unsqueeze和 torch.squeeze() 详解
1. torch.unsqueeze 详解 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 ...
关于GaussDB(DWS)的正则表达式知多少？人人都能看得懂的详解来了！
摘要:GaussDB(DWS)除了支持标准的POSIX正则表达式句法,还拥有一些特殊句法和选项,这些你可了解?本文便为你讲解这些特殊句法和选项. 概述正则表达式(Regular Expression ...
torch.unsqueeze()和torch.unsqueeze()
参考:torch.squeeze() 和torch.unsqueeze()用法的通俗解释 import torch x = torch.tensor([[1, 2, 3],[1, 2, 3],[1, ...
Pytorch中torch.unsqueeze()和torch.squeeze()函数解析
一. torch.squeeze()函数解析 1. 官网链接 torch.squeeze(),如下图所示: 2. torch.squeeze()函数解析 torch.squeeze(input, di ...
看一遍就懂，详解java多线程——volatile
多线程一直以来都是面试必考点,而volatile.synchronized也是必问点,这里我试图用容易理解的方式来解释一下volatile. 来看一下它的最大特点和作用: 一使变量在多个线程间可见 ...
【JVM系列3】方法重载和方法重写原理分析，看完这篇终于彻底搞懂了
深入分析Java虚拟机中方法执行流程及方法重载和方法重写原理前言思考栈帧局部变量表(Local Variables) 操作数栈(Operand Stacks) 动态连接(Dynamic Lin ...
只有20%的iOS程序员能看懂：详解intrinsicContentSize 及约束优先级／content Hugging／content Compression Resistance
在了解intrinsicContentSize之前,我们需要先了解2个概念: AutoLayout在做什么约束优先级是什么意思. 如果不了解这两个概念,看intinsic content size没 ...

【终于有人搞懂了】详解 torch.unsqueeze() 和 torch.squeeze()

详解 torch.unsqueeze 和 torch.squeeze