为什么在此示例中此tensor.unfold方法添加尺寸？

Question

我已经熟悉https://pytorch.org/docs/stable/tensors.html#torch.Tensor.unfold中的Pytorch展开方法>

我看了他们的例子是>

>>> x = torch.arange(1., 8)
>>> x
tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.])
>>> x.unfold(0, 2, 1)
tensor([[ 1.,  2.],
        [ 2.,  3.],
        [ 3.,  4.],
        [ 4.,  5.],
        [ 5.,  6.],
        [ 6.,  7.]])
我上面了解到，当我们在维度0上展开时，我们一次跨度为2时会获取大小为1的块，因此，结果是排列了不同的块，即[1., 2.]，[ C0]等。由于最后有[2., 3.]个块，这些块将放在一起，最终形状为6。
但是，我还有另一个示例，如下所示。

(6,2)
所以您看到我的原始张量是In [115]: s = torch.arange(20).view(1,10,2)

In [116]: s
Out[116]:
tensor([[[ 0,  1],
         [ 2,  3],
         [ 4,  5],
         [ 6,  7],
         [ 8,  9],
         [10, 11],
         [12, 13],
         [14, 15],
         [16, 17],
         [18, 19]]])

In [117]: s.unfold(0,1,1)
Out[117]:
tensor([[[[ 0],
          [ 1]],

         [[ 2],
          [ 3]],

         [[ 4],
          [ 5]],

         [[ 6],
          [ 7]],

         [[ 8],
          [ 9]],

         [[10],
          [11]],

         [[12],
          [13]],

         [[14],
          [15]],

         [[16],
          [17]],

         [[18],
          [19]]]])

In [119]: s.unfold(0,1,1).shape
Out[119]: torch.Size([1, 10, 2, 1])
形状，我要求使用参数(1,10,2)进行展开操作。
[根据上一个示例的原始理解，我认为这意味着在维度s.unfold(0, 1, 1)中，我们一次跨度为0取1块。因此，当我们进入维度1时，我们看到我们只有一个大小0的块。因此，输出应该刚好占用了该块，并且可能应该增加了一个包装该块的尺寸，并给了我一个大小为(10,2)的输出。 

但是，它的输出为(1, 10, 2)。为什么最后有一个额外的维度？有人可以直观地详细说明吗？

我熟悉https://pytorch.org/docs/stable/tensors.html#torch.Tensor.unfold中的Pytorch展开方法，我看了他们的示例>>> x = torch.arange（1 。，8）...

Answer 1

文档说明：

在返回的张量中附加了尺寸为(1, 10, 2, 1)的附加尺寸。