python以三维tensor为例理解unsqueeze和squeeze函数

一、建立一个二维tensor

import torch as t
a = t.arange(0,6)
b = a.view(2,3)
print(b)

二、对上步建立的二维tensor使用unsqueeze(x)函数操作（x若是正数表示在第x维上增加一维，若是负数表示在倒数第x维上增加一维，注意tensor维度的下标从0开始，倒数下标从-1开始，并且此增加维的维度为1）

2.1 x为正数

import torch as t
a = t.arange(0,6)
b = a.view(2,3)
print(b.size())
b = t.unsqueeze(b,1) # unsqueeze函数操作，在第一维上增加“1”
print(b.size())

2.2 x为负数

import torch as t
a = t.arange(0,6)
b = a.view(2,3)
print(b.size())
b = t.unsqueeze(b,-1) # unsqueeze函数操作，在倒数第一维上增加“1”
print(b.size())

三、对第一步建立的二维tensor使用squeeze(x)函数操作（x若为正数表示压缩第x维的“1”，若是负数表示压缩倒数第x维的“1”，若为null则压缩所有维的“1”，若第x维的维度不为“1”就无变化不能压缩，注意tensor维度的下标从0开始，倒数下标从-1开始）

3.1 x为正数

import torch as t
a = t.arange(0,6)
b = a.view(1,1,2,3,1)
print(b.size())
b = t.squeeze(b,1) # squeeze函数操作，在压缩第一维的“1”
print(b.size())

3.2 x为负数

import torch as t
a = t.arange(0,6)
b = a.view(1,1,2,3,1)
print(b.size())
b = t.squeeze(b,-1) # squeeze函数操作，压缩倒数第一维的“1”
print(b.size())

3.3 x为null（空）

import torch as t
a = t.arange(0,6)
b = a.view(1,1,2,3,1)
print(b.size())
b = t.squeeze(b) # squeeze函数操作，压缩所有维度为“1”的维
print(b.size())

3.4 x维的维度不等于“1”

import torch as t
a = t.arange(0,6)
b = a.view(1,1,2,3,1)
print(b.size())
b = t.squeeze(b,3) # squeeze函数操作，第3维的维度是“3”，不是“1”，所以不能压缩无变化
print(b.size())

四、多维具体理解分析（以三维为例）

4.1 二维变成三维的代码

import torch as t
a = t.arange(0,6)
b = a.view(3,2)
print(b)
b = t.unsqueeze(b,1)
print(b)

4.2 代码运行输出结果

4.3 结果理解分析

tensor([[0, 1],[2, 3],[4, 5]])
tensor([[[0, 1]],[[2, 3]],[[4, 5]]])

原本tensor是[3,2]也就是三行两列，在使用unsqueeze函数后增加第一维的维度为“1”，也就变成了[3，1，2]也就是312变成三维tensor，上面的结果对应312的理解是tensor()里面第一层[ ]中有三行，并且用逗号隔开对应“3”，第一层[ [ ] , [ ] , [ ] ]里面的每个分开的[ ]也就是第二层[ ]里面是只有一行，因为只有一行就没有用逗号隔开对应“1”，第二层[ ]里面的[ ]也就是第三层[ ]里面有两列也就是两个元素对应“2”。

4.4 tensor维度的直接显示

import torch as t
a = t.arange(0,6)
b = a.view(3,2)
print(b)
b = t.unsqueeze(b,1)
print(b)
print(b.size()) # 直接输出显示tensor维度，对应下面图片中的红框部分

python以三维tensor为例详细理解unsqueeze和squeeze函数相关推荐

python中的unsqueeze()和squeeze()函数
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接: https://blog.csdn.net/flysky_jay/article/ ...
如何理解深度学习中的tensor（涉及numpy的二维，三维以及四维数据的理解）
0. 写作目的好记性不如烂笔头. 结论:无论几维,都可以按照(Batch_size, Height, Width, Channle)来理解. 1. 二维数据的理解理解为:只有(Height, Wi ...
python图像三维数组通透理解
python图像三维数组通透理解先说结果: 一张图片的颜色是由RGB三个通道构成, 可以把一张图片上的每一个像素点看成一个对象, 这个对象又由RGB三种颜色叠加, 即用一个一维数组表示,假如我们有一 ...
【时序列】时序列数据如何一步步分解成趋势（trend）季节性（seasonality）和误差（residual）- 详细理解python sm.tsa.seasonal_decompose
[时序列]时序列数据如何一步步分解成趋势(trend)季节性(seasonality)和误差(residual)- 理解python sm.tsa.seasonal_decompose 在做时序列分析 ...
Python：一文让你彻底理解numpy中axis=-1/0/1/2... [实例讲解：np.argmax(axis= -1 0 1 2) np.sum(aixs= -1 0 1 2)]
前言接触python有一段时间了,但总有一道坎在心中挥之不去,那就是Numpy模块中的axis=-1/0/1/2...,每每见到axis=-1.axis=0.axis=1.axis=2等操作,心中真 ...
面向Python开发人员的综合置信区间全面理解
面向Python开发人员的综合置信区间全面理解置信区间是以范围表示并汇总统计中的不确定性的.换句话说,这是一系列我们确信自己真正价值所在的价值观.例如:我有95%的信心认为人口平均数在8.76到15 ...
python经典面试题100例面试宝典
人生苦短我用 Python 芝麻开门! python 进阶 1 python 经典面试题 9 python 面试 100 例 21 python 面试题总结 101 python 进阶 1 PEP8 ...
全网最全Python项目体系练习500例（附源代码），练完可就业
1.有一个jsonline格式的文件file.txt大小约为10K 2.补充缺失的代码 3.输入日期, 判断这一天是这一年的第几天? 4.打乱一个排好序的list对象alist? 5.现有字典 d= ...
python毕业设计选题推荐100例
文章目录 0 前言 1 python - 算法类毕设选题 2 python - 数据挖掘毕设选题 3 python - 大数据处理.云计算.区块链毕设选题 4 python - 网络安全毕设选 ...

python以三维tensor为例详细理解unsqueeze和squeeze函数

python以三维tensor为例理解unsqueeze和squeeze函数

一、建立一个二维tensor

二、对上步建立的二维tensor使用unsqueeze(x)函数操作（x若是正数表示在第x维上增加一维，若是负数表示在倒数第x维上增加一维，注意tensor维度的下标从0开始，倒数下标从-1开始，并且此增加维的维度为1）

2.1 x为正数

2.2 x为负数

3.1 x为正数

3.2 x为负数

3.3 x为null（空）

3.4 x维的维度不等于“1”

四、多维具体理解分析（以三维为例）

4.1 二维变成三维的代码

4.2 代码运行输出结果

4.3 结果理解分析

4.4 tensor维度的直接显示

python以三维tensor为例详细理解unsqueeze和squeeze函数相关推荐

最新文章

热门文章