`squeeze()` 与 `unsqueeze()`

Question

即使在查看了文档和

相关问题

之后，我也不明白

squeeze()

和unsqueeze()对张量做了什么。

我试图通过自己用Python探索来理解它。我首先创建了一个随机张量

x = torch.rand(3,2,dtype=torch.float)
>>> x
tensor([[0.3703, 0.9588],
        [0.8064, 0.9716],
        [0.9585, 0.7860]])

但是无论我如何挤压它，我最终都会得到相同的结果：

torch.equal(x.squeeze(0), x.squeeze(1))
>>> True

如果我现在尝试松开，我会得到以下信息，

>>> x.unsqueeze(1)
tensor([[[0.3703, 0.9588]],
        [[0.8064, 0.9716]],
        [[0.9585, 0.7860]]])
>>> x.unsqueeze(0)
tensor([[[0.3703, 0.9588],
         [0.8064, 0.9716],
         [0.9585, 0.7860]]])
>>> x.unsqueeze(-1)
tensor([[[0.3703],
         [0.9588]],
        [[0.8064],
         [0.9716]],
        [[0.9585],
         [0.7860]]])

但是，如果我现在创建一个张量

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

，并且尝试将其解开，那么

和

-1

会使其成为一列，而

保持不变。

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

有人可以解释一下

squeeze()

和

unsqueeze()

对张量做了什么吗？提供论据

、

和

-1

有什么区别？

Answer 1

这是

squeeze

/

unsqueeze

对有效二维矩阵的作用的直观表示：

当您解压缩张量时，您希望将其“解压缩”到哪个维度（如行或列等）是不明确的。

dim

参数决定了这一点 - 即要添加的新维度的位置。

因此，得到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

简单地说，

unsqueeze()

向张量“添加”表面

维度（在指定维度），而

squeeze

从张量中删除所有表面

维度。

您应该查看张量的

shape

属性才能轻松看到它。在你的最后一种情况下，它将是：

import torch

tensor = torch.tensor([1, 0, 2, 3, 4])
tensor.shape # torch.Size([5])
tensor.unsqueeze(dim=0).shape # [1, 5]
tensor.unsqueeze(dim=1).shape # [5, 1]

它对于向网络提供单个样本很有用（这需要第一维是批量的），对于图像来说它是：

# 3 channels, 32 width, 32 height
tensor = torch.randn(3, 32, 32)
# 1 batch, 3 channels, 32 width, 32 height
tensor.unsqueeze(dim=0).shape

如果您创建 1 维的

unsqueeze

，则可以看到

tensor

，例如像这样：

# 3 channels, 32 width, 32 height and some 1 unnecessary dimensions
tensor = torch.randn(3, 1, 32, 1, 32, 1)
# 1 batch, 3 channels, 32 width, 32 height again
tensor.squeeze().unsqueeze(0) # [1, 3, 32, 32]

Answer 3

torch.unsqueeze(input, dim)

→

Tensor

a = torch.randn(4, 4, 4)
torch.unsqueeze(a, 0).size()

>>> torch.Size([1, 4, 4, 4])

a = torch.randn(4, 4, 4)
torch.unsqueeze(a, 1).size()

>>> torch.Size([4, 1, 4, 4])

a = torch.randn(4, 4, 4)
torch.unsqueeze(a, 2).size()

>>> torch.Size([4, 4, 1, 4])

a = torch.randn(4, 4, 4)
torch.unsqueeze(a, 3).size()

>>> torch.Size([4, 4, 4, 1])

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

→

Tensor

b = torch.randn(4, 1, 4)

>>> tensor([[[ 1.2912, -1.9050,  1.4771,  1.5517]],

        [[-0.3359, -0.2381, -0.3590,  0.0406]],

        [[-0.2460, -0.2326,  0.4511,  0.7255]],

        [[-0.1456, -0.0857, -0.8443,  1.1423]]])

b.size()

>>> torch.Size([4, 1, 4])

c = b.squeeze(1)

b
>>> tensor([[[ 1.2912, -1.9050,  1.4771,  1.5517]],

        [[-0.3359, -0.2381, -0.3590,  0.0406]],

        [[-0.2460, -0.2326,  0.4511,  0.7255]],

        [[-0.1456, -0.0857, -0.8443,  1.1423]]])

b.size()
>>> torch.Size([4, 1, 4])

c
>>> tensor([[ 1.2912, -1.9050,  1.4771,  1.5517],
        [-0.3359, -0.2381, -0.3590,  0.0406],
        [-0.2460, -0.2326,  0.4511,  0.7255],
        [-0.1456, -0.0857, -0.8443,  1.1423]])

c.size()
>>> torch.Size([4, 4])

Answer 4

squeeze() 可以从 0D 或更多 D 张量中删除大小为

的零个或多个维度，如下所示：

*备注：

```
squeeze()
```
可以与 torch 或张量一起使用。
第一个参数（
```
input
```
）与
```
torch
```
或使用张量（必需类型：
```
tensor
```
、
```
int
```
、
```
float
```
或
```
complex
```
的
```
bool
```
）。
带有
```
torch
```
的第二个参数或带有张量的第一个或多个参数是
```
dim
```
（可选类型：
```
int
```
、
```
tuple
```
的
```
int
```
或
```
list
```
的
```
int
```
）： *备注：
- 每个号码必须是唯一的。
- 可以去除特定的零个或多个尺寸为
```
1
```
  的维度。
- 如果尺寸不是
```
1
```
  ，即使设置零个或多个尺寸也不会被删除。

import torch

my_tensor = torch.tensor([[[[0], [1]],
                           [[2], [3]],
                           [[4], [5]]]])
torch.squeeze(input=my_tensor)
my_tensor.squeeze()
torch.squeeze(input=my_tensor, dim=(0, 3))
# tensor([[0, 1],
#         [2, 3],
#         [4, 5]])

torch.squeeze(input=my_tensor, dim=0)
torch.squeeze(input=my_tensor, dim=-4)
# tensor([[[0], [1]],
#         [[2], [3]],
#         [[4], [5]]])

torch.squeeze(input=my_tensor, dim=1)
torch.squeeze(input=my_tensor, dim=2)
# tensor([[[[0], [1]],
#          [[2], [3]],
#          [[4], [5]]]])

torch.squeeze(input=my_tensor, dim=3)
torch.squeeze(input=my_tensor, dim=-1)
# tensor([[[0, 1],
#          [2, 3],
#          [4, 5]]])

unsqueeze() 可以通过设置如下所示的维度，将大小为

的维度添加到 0D 或更大的 D 张量：

*备注：

```
unsqueeze()
```
可以与
```
torch
```
或张量一起使用。
第一个参数（
```
input
```
）与
```
torch
```
或使用张量（必需类型：
```
tensor
```
、
```
int
```
、
```
float
```
或
```
complex
```
的
```
bool
```
）。
带有
```
torch
```
的第二个参数或带有张量的第一个参数是
```
dim
```
（必需类型：
```
int
```
）。 *可以将尺寸为
```
1
```
的尺寸添加到特定位置。

import torch

my_tensor = torch.tensor([[0, 1, 2],
                          [3, 4, 5],
                          [6, 7, 8],
                          [10, 11, 12]])
torch.unsqueeze(input=my_tensor, dim=0)
my_tensor.unsqueeze(dim=0)
torch.unsqueeze(input=my_tensor, dim=-3)
# tensor([[[0, 1, 2],
#          [3, 4, 5],
#          [6, 7, 8]
#          [10, 11, 12]]])

torch.unsqueeze(input=my_tensor, dim=1)
torch.unsqueeze(input=my_tensor, dim=-2)
# tensor([[[0, 1, 2]],
#         [[3, 4, 5]],
#         [[6, 7, 8]]
#         [[10, 11, 12]]])

torch.unsqueeze(input=my_tensor, dim=2)
torch.unsqueeze(input=my_tensor, dim=-1)
# tensor([[[0], [1], [2]],
#         [[3], [4], [5]],
#         [[6], [7], [8]],
#         [[10], [11], [12]]])

torch.unsqueeze(input=my_tensor, dim=3)
torch.unsqueeze(input=my_tensor, dim=-1)
# tensor([[[[0], [1], [2], [3]], [[4], [5], [6], [7]]],
#         [[[8], [9], [10], [11]], [[12], [13], [14], [15]]],
#         [[[16], [17], [18], [19]], [[20], [21], [22], [23]]]])

`squeeze()` 与 `unsqueeze()`

问题描述投票：0回答：4

4个回答

最新问题

`squeeze()` 与 `unsqueeze()`

问题描述 投票：0回答：4

4个回答

最新问题

问题描述投票：0回答：4