目录

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

简单示例

matplotlib画图示例

2.增维 torch.unsqueeze(input, dim, out=None)

简单示例

3.参考

---

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

函数功能：去除size为1的维度，包括行和列。当维度大于等于2时，squeeze()无作用。

• 当给定dim时，那么挤压操作只在给定维度上。即若tensor.size(dim) = 1，则去掉该维度
  • 其中squeeze(0)代表若第一维度值为1则去除第一维度
  • squeeze(1)代表若第二维度值为1则去除第二维度
  • -1，去除最后维度值为1的维度
• 当不给定dim时，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)(A×1×B×1×C×1×D)，那么输出形状就为： (A×B×C×D)(A×B×C×D)

例如，输入形状为: (A×1×B)(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)(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，维度的索引（从0开始）
• out (Tensor, optional) – 输出张量

简单示例

a = torch.Tensor(1,3)
>>
tensor([[-1.37,4.56,-3.57]])

print a.squeeze(0) #第一个维度大小确实是1，所以可以去除
>>
tensor([-1.37,4.56,-3.57])

print a.squeeze(1) ##第二个维度大小是3，所以不能去除
>>
tensor([[-1.37,4.56,-3.57]])

#例子2
b = torch.Tensor(2,3)
print b
>>
tensor([[-3.17,3.09,1.43],
[0.00,0.00,0.00]])

print b.squeeze(0)##第一个维度大小不是1，所以不能去除
>>
tensor([[-3.17,3.09,1.43],
[0.00,0.00,0.00]])

print b.squeeze(1) ##第二个维度大小是3，所以不能去除
>>
tensor([[-3.17,3.09,1.43],
[0.00,0.00,0.00]])

#例子3
c = torch.Tensor(3,1)
print c
>>
tensor([[-3.54],
[3.09],
[0.00]])

print c.squeeze(0)##第一个维度大小不是1，所以不能去除
>>
tensor([[-3.54],
[3.09],
[0.00]])

print c.squeeze(1)#第二个维度大小确实是1，所以可以去除
>>
tensor([-3.54,3.09,0.00])

matplotlib画图示例

import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

#无法正常显示图示案例
squares =np.array([[1,4,9,16,25]]) 
squares.shape       #要显示的数组为可表示1行5列的向量的数组

(1, 5)

plt.plot(squares)
plt.show()

 

#正常显示图示案例
#通过np.squeeze()函数转换后，要显示的数组变成了秩为1的数组，即（5，）
plt.plot(np.squeeze(squares))    
plt.show()

 

np.squeeze(squares).shape

(5,)

 

2.增维 torch.unsqueeze(input, dim, out=None)

增加大小为1的维度，也就是返回一个新的张量，对输入的指定位置插入维度 1且必须指明维度

• x = torch.unsqueeze(x, 3) # 在第3个维度上扩展

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，例如对于一个（3,2,4）的tensor，其dim可以选择为none，-1,0,1,2

• none：所有元素的max，得到一个max值
• -1：若dim为负，则将被转化为dim+input.dim()+1，即2
  • -1+2+1
• 0：最粗粒度的方向，在第1维插入一个维度
• 1：在第2维插入一个维度
• 2：最细粒度的方向，在第3维插入一个维度
• -3：在倒数第3维插入一个维度，在本例子也就是第一维
• 一句话概括：dim越大，越深入，none即所有最小元素参与计算。

参数:

• tensor (Tensor) – 输入张量
• dim (int) – 插入维度的索引（从0开始）
• out (Tensor, optional) – 结果张量

简单示例

import torch
 
x = torch.ones(4)
print(x)
print(x.size())
 
y = torch.unsqueeze(x, 0)
print(y)
print(y.size())
 
z = torch.unsqueeze(x, 1)
print(z)
print(z.size())

结果

tensor([1., 1., 1., 1.])
torch.Size([4])
tensor([[1., 1., 1., 1.]])
torch.Size([1, 4])
tensor([[1.],
        [1.],
        [1.],
        [1.]])
torch.Size([4, 1])

 分析

插入维度之前：

[ 1, 1, 1, 1 ]

在第0维插入一个维度，使其变成（1，4），即在最外层插入一个中括号即可：

[ [ 1, 1, 1, 1 ] ]

在第1维插入一个维度，使其变成（4，1）

[ [1], [1], [1], [1] ]

3.参考

pytorch中对维度及其squeeze()、unsqueeze()函数的理解

torch.squeeze()和unsqueeze()

Numpy库学习—squeeze()函数