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 torchx = 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

Python-squeeze()、unsqueeze()函数的理解相关推荐

pytorch函数unsqueeze函数的理解
在看许多pytorch的代码时,为了计算上的方便,通常会用到unsqueeze函数,一直不得要领,这次专门去做个实验学习一下. 官方文档对这个函数描述如下,就是在指定的位置插入一个维度,有两个参数,i ...
对于Python中回调函数的理解
关于回调函数,网上有很多说明和各种解释,多数在尝试用语言描述.我认为,如果对各个角色之间的关系不清楚,如果没有相关的编程需求,那么语言便非常无力,很难理解. 这是360百科的解释: 在计算机程序设计中 ...
python在工厂中的应用_什么是工厂函数？Python 中工厂函数怎么理解？
其实谈工厂函数前必须首先把嵌套作用域和闭包讲清楚 python有一个很有意思的地方,就是def函数可以嵌套在另一个def函数之中.调用外层函数时,运行到的内层def语句仅仅是完成对内层函数的定义,而不 ...
python的format函数如何理解_python format函数的使用
转载自:http://www.cnblogs.com/kaituorensheng/p/5709970.html python自2.6后,新增了一种格式化字符串函数str.format(),威力十足, ...
python中 map函数的使用
1. 概念 map函数也是python中的一个内置函数,用法同之前讲过的filter函数类似.map在这里的意思是映射的意思,会根据提供的函数对指定序列做映射. map函数会返回一个迭代器,如果要转换 ...
python中squeeze函数_详解pytorch中squeeze()和unsqueeze()函数介绍
squeeze的用法主要就是对数据的维度进行压缩或者解压. 先看torch.squeeze() 这个函数主要对数据的维度进行压缩,去掉维数为1的的维度,比如是一行或者一列这种,一个一行三列(1,3)的 ...
pytorch 中 squeeze 和unsqueeze函数
1. torch.squeeze() 函数 : 作用:移除指定或所有维数为1的维度,从而得到维度减少的张量解释一下: x=torch.zeros(5,1,1,1)print(x)'输出' tenso ...
python对初学者的看法_python学习之道（1）——新手小白对print（）函数的理解,Python,之路,一,浅谈...
Python学习之路(一) --浅谈新手小白对print()函数的理解写在前面笔者目前为在校大四学生(某末流211),大学生活即将画上终点,然而却还没有真正精通一门语言,很是惭愧.在大学期间参加了 ...
Python squeeze()函数
Python squeeze()函数作用:移除数组中维度为1的维度函数形式:numpy.``squeeze(a, axis=None) 参数:axis: 选择数组中的某一维度移除, 如果选择形状输 ...

Python-squeeze()、unsqueeze()函数的理解

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

Python-squeeze()、unsqueeze()函数的理解相关推荐

最新文章

热门文章