技術標籤：Pytorchpythonpytorch

squeeze()主要用於對資料的維度進行壓縮或者解壓的

官方文件

torch.squeeze()

對資料的維度進行壓縮

使用方式：torch.squeeze(input, dim=None, out=None)

將輸入張量形狀中的1 去除並返回。 如果輸入是形如(A×1×B×1×C×1×D)，那麼輸出形狀就為： (A×B×C×D)

當給定dim時，那麼擠壓操作只在給定維度上。例如，輸入形狀為: (A×1×B), squeeze(input, 0)

將會保持張量不變，只有用 squeeze(input, 1)，形狀會變成 (A×B)。

注意：

輸入的張量和返回的張量共用一段記憶體空間，改變了其中一個，其餘的都會被改變

引數：

• input (Tensor) – 輸入張量
• dim (int, optional) – 如果給定，則input只會在給定維度擠壓
• out (Tensor, optional) – 輸出張量

多維張量本質上就是一個變換，如果維度是 1 ，那麼，1 僅僅起到擴充維度的作用，而沒有其他用途，因而，在進行降維操作時，為了加快計算，是可以去掉這些 1 的維度。

import torch


m = torch.zeros(
 
2,1,2,1,2)
print(m.size())
# print torch.Size([2, 1, 2, 1, 2])

# 預設刪除維度為1的維數
n = torch.squeeze(m)
print(n.size())
# print torch.Size([2, 2, 2])

# 當給定dim引數值的時候，那麼擠壓操作只會給定在指定的維度上
m = torch.zeros(2,1,2,1,2)
n = torch.squeeze(m,0)
print(n.size())
# print torch.Size([2, 1, 2, 1, 2])

n = torch.squeeze(m,
 
1)
print(n.size())
#print torch.Size([2, 2, 1, 2])

n = torch.squeeze(m, 2)
print(n.size())
#print torch.Size([2, 1, 2, 1, 2])

n = torch.squeeze(m, 3)
print(n.size())
#print torch.Size([2, 1, 2, 2])

print('-' * 100)

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])

==總結：==這個函式主要對資料的維度進行壓縮，去掉維數為1的的維度，比如是一行或者一列這種，一個一行三列（1,3）的數去掉第一個維數為一的維度之後就變成（3）行。squeeze(a)就是將a中所有為1的維度刪掉。不為1的維度沒有影響。a.squeeze(N) 就是去掉a中指定的維數為一的維度。還有一種形式就是b=torch.squeeze(a，N) a中去掉指定的定的維數為一的維度。

torch.unsqueeze()

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

• 作用：擴充套件維度

  ​ 返回一個新的張量，對輸入的既定位置插入維度 1

• 注意： 返回張量與輸入張量共享記憶體，所以改變其中一個的內容會改變另一個。

如果dim為負，則將會被轉化dim+input.dim()+1

• 引數:
• tensor (Tensor) – 輸入張量
• dim (int) – 插入維度的索引
• out (Tensor, optional) – 結果張量

import torch

x = torch.Tensor([1, 2, 3, 4])  # torch.Tensor是預設的tensor型別（torch.FlaotTensor）的簡稱。

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())  # 2

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())  # 2

print('-' * 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

==總結：==給指定位置加上維數為一的維度，比如原本有個三行的資料（3），在0的位置加了一維就變成一行三列（1,3）。a.unsqueeze(N) 就是在a中指定位置N加上一個維數為1的維度。

參考:https://zhuanlan.zhihu.com/p/86763381