Pytorch 中的“unsqueeze”有什么作用？

Question

PyTorch 文档 说：

返回一个新的张量，其尺寸为1插入到指定位置。 [...]

>>> x = torch.tensor([1, 2, 3, 4])
>>> torch.unsqueeze(x, 0)
tensor([[ 1,  2,  3,  4]])
>>> torch.unsqueeze(x, 1)
tensor([[ 1],
        [ 2],
        [ 3],
        [ 4]])

Answer 1

unsqueeze

变成了nd。张量转换为 (n+1).d。通过添加深度为 1 的额外维度。但是，由于新维度应位于哪个轴（即应“未压缩”的方向）不明确，因此需要通过

dim

参数指定.

例如

unsqueeze

可以通过三种不同的方式应用于二维张量：

生成的未压缩张量具有相同的信息，但用于访问它们的索引不同。

Answer 2

如果查看数组前后的形状，您会发现之前是

(4,)

，之后是

(1, 4)

（当第二个参数为

0

时）和

(4, 1)

（当第二个参数为

1 时） 

）。因此，在轴

1

或

0

处将

1

插入到数组的形状中，具体取决于第二个参数的值。

这与

np.squeeze()

（借用自 MATLAB 的术语）相反，它删除了尺寸为

1

（单例）的轴。

Answer 3

表示添加尺寸的位置。

torch.unsqueeze

为张量添加了一个额外的维度。

假设你有一个形状为 (3) 的张量，如果你在 0 位置添加一个维度，它将是形状 (1,3)，这意味着 1 行和 3 列：

• 如果你有一个形状为 (2,2) 的 2D 张量，请在 0 位置添加一个额外的维度，这将导致张量的形状为 (1,2,2)，这意味着一个通道，2行和 2 列。如果在 1 位置添加，它将是形状 (2,1,2)，因此它将有 2 个通道、1 行和 2 列。
• 如果在1位置添加的话，就是(3,1)，即3行1列。
• 如果将其添加到2位置，则张量的形状将为(2,2,1)，这意味着2个通道，2行和1列。

Answer 4

以下是 PyTorch 文档中的描述：

torch.squeeze(input, dim=None, *, out=None)

→ 张量

返回一个张量，其中删除了

input

的所有尺寸（大小为 1）。

例如，如果输入的形状为：(A×1×B×C×1×D)，则输出张量的形状为：(A×B×C×D)。

当给出

dim

时，仅在给定维度上进行挤压操作。如果 input 的形状为： (A×1×B) ，则

squeeze(input, 0)

保持张量不变，但

squeeze(input, 1)

会将张量压缩为 (A×B) 形状。

torch.unsqueeze(input, dim)

→ 张量

返回一个新的张量，其尺寸为1插入到指定位置。

返回的张量与该张量共享相同的基础数据。

可以使用

dim

 范围内的 

[-input.dim() - 1, input.dim() + 1)

 值。负 

dim

 将对应于在 

unsqueeze()

 应用的 

dim = dim + input.dim() + 1

。

Answer 5

unsqueeze是一种改变张量维度的方法，使得诸如张量乘法之类的操作成为可能。这基本上改变了维度以产生具有不同维度的张量。

例如：如果你想将大小为 (4) 的张量与大小为

(4, N, N) 的张量相乘，那么你会得到一个错误。 但使用 unsqueeze 方法，您可以将张量转换为大小 (4,1,1)。现在，由于它的操作数大小为 1，因此您将能够将两个张量相乘。