#squeeze 函數(shù)：從數(shù)組的形狀中刪除單維度條目，即把shape中為1的維度去掉
#unsqueeze() 是squeeze()的反向操作，增加一個維度，該維度維數(shù)為1，可以指定添加的維度。例如unsqueeze(a,1)表示在1這個維度進行添加
import torch
a=torch.rand(2,3,1)
print(torch.unsqueeze(a,2).size())#torch.Size([2, 3, 1, 1])
print(a.size()) #torch.Size([2, 3, 1])
print(a.squeeze().size()) #torch.Size([2, 3])
print(a.squeeze(0).size()) #torch.Size([2, 3, 1])
print(a.squeeze(-1).size()) #torch.Size([2, 3])
print(a.size()) #torch.Size([2, 3, 1])
print(a.squeeze(-2).size()) #torch.Size([2, 3, 1])
print(a.squeeze(-3).size()) #torch.Size([2, 3, 1])
print(a.squeeze(1).size()) #torch.Size([2, 3, 1])
print(a.squeeze(2).size()) #torch.Size([2, 3])
print(a.squeeze(3).size()) #RuntimeError: Dimension out of range (expected to be in range of [-3, 2], but got 3)
print(a.unsqueeze().size()) #TypeError: unsqueeze() missing 1 required positional arguments: "dim"
print(a.unsqueeze(-3).size()) #torch.Size([2, 1, 3, 1])
print(a.unsqueeze(-2).size()) #torch.Size([2, 3, 1, 1])
print(a.unsqueeze(-1).size()) #torch.Size([2, 3, 1, 1])
print(a.unsqueeze(0).size()) #torch.Size([1, 2, 3, 1])
print(a.unsqueeze(1).size()) #torch.Size([2, 1, 3, 1])
print(a.unsqueeze(2).size()) #torch.Size([2, 3, 1, 1])
print(a.unsqueeze(3).size()) #torch.Size([2, 3, 1, 1])
print(torch.unsqueeze(a,3))
b=torch.rand(2,1,3,1)
print(b.squeeze().size()) #torch.Size([2, 3])
補充：pytorch中unsqueeze()、squeeze()、expand()、repeat()、view()、和cat()函數(shù)的總結(jié)
學(xué)習(xí)Bert模型的時候，需要使用到pytorch來進行tensor的操作，由于對pytorch和tensor不熟悉，就把pytorch中常用的、有關(guān)tensor操作的unsqueeze()、squeeze()、expand()、view()、cat()和repeat()等函數(shù)做一個總結(jié)，加深記憶。
1、unsqueeze()和squeeze()
torch.unsqueeze(input, dim,out=None) → Tensor
unsqueeze()的作用是用來增加給定tensor的維度的，unsqueeze(dim)就是在維度序號為dim的地方給tensor增加一維。例如：維度為torch.Size([768])的tensor要怎樣才能變?yōu)閠orch.Size([1, 768, 1])呢？就可以用到unsqueeze()，直接上代碼：
a=torch.randn(768)
print(a.shape) # torch.Size([768])
a=a.unsqueeze(0)
print(a.shape) #torch.Size([1, 768])
a = a.unsqueeze(2)
print(a.shape) #torch.Size([1, 768, 1])
也可以直接使用鏈式編程：
a=torch.randn(768)
print(a.shape) # torch.Size([768])
a=a.unsqueeze(1).unsqueeze(0)
print(a.shape) #torch.Size([1, 768, 1])
tensor經(jīng)過unsqueeze()處理之后，總數(shù)據(jù)量不變；維度的擴展類似于list不變直接在外面加幾層[]括號。
torch.squeeze(input, dim=None, out=None) → Tensor
squeeze()的作用就是壓縮維度，直接把維度為1的維給去掉。形式上表現(xiàn)為，去掉一層[]括號。
同時，輸出的張量與原張量共享內(nèi)存，如果改變其中的一個，另一個也會改變。
a=torch.randn(2,1,768)
print(a)
print(a.shape) #torch.Size([2, 1, 768])
a=a.squeeze()
print(a)
print(a.shape) #torch.Size([2, 768])
圖片中的維度信息就不一樣，紅框中的括號層數(shù)不同。
注意的是：squeeze()只能壓縮維度為1的維；其他大小的維不起作用。
a=torch.randn(2,768)
print(a.shape) #torch.Size([2, 768])
a=a.squeeze()
print(a.shape) #torch.Size([2, 768])
2、expand()
這個函數(shù)的作用就是對指定的維度進行數(shù)值大小的改變。只能改變維大小為1的維，否則就會報錯。不改變的維可以傳入-1或者原來的數(shù)值。
torch.Tensor.expand(*sizes) → Tensor
返回張量的一個新視圖，可以將張量的單個維度擴大為更大的尺寸。
a=torch.randn(1,1,3,768)
print(a)
print(a.shape) #torch.Size([1, 1, 3, 768])
b=a.expand(2,-1,-1,-1)
print(b)
print(b.shape) #torch.Size([2, 1, 3, 768])
c=a.expand(2,1,3,768)
print(c.shape) #torch.Size([2, 1, 3, 768])
可以看到b和c的維度是一樣的
第0維由1變?yōu)?，可以看到就直接把原來的tensor在該維度上復(fù)制了一下。
3、repeat()
repeat(*sizes)
沿著指定的維度，對原來的tensor進行數(shù)據(jù)復(fù)制。這個函數(shù)和expand()還是有點區(qū)別的。expand()只能對維度為1的維進行擴大，而repeat()對所有的維度可以隨意操作。
a=torch.randn(2,1,768)
print(a)
print(a.shape) #torch.Size([2, 1, 768])
b=a.repeat(1,2,1)
print(b)
print(b.shape) #torch.Size([2, 2, 768])
c=a.repeat(3,3,3)
print(c)
print(c.shape) #torch.Size([6, 3, 2304])
b表示對a的對應(yīng)維度進行乘以1，乘以2，乘以1的操作，所以b：torch.Size([2, 1, 768])
c表示對a的對應(yīng)維度進行乘以3，乘以3，乘以3的操作，所以c：torch.Size([6, 3, 2304])
a:
b
c
4、view()
tensor.view()這個函數(shù)有點類似reshape的功能，簡單的理解就是：先把一個tensor轉(zhuǎn)換成一個一維的tensor，然后再組合成指定維度的tensor。例如：
word_embedding=torch.randn(16,3,768)
print(word_embedding.shape)
new_word_embedding=word_embedding.view(8,6,768)
print(new_word_embedding.shape)
當然這里指定的維度的乘積一定要和原來的tensor的維度乘積相等，不然會報錯的。16*3*768=8*6*768
另外當我們需要改變一個tensor的維度的時候，知道關(guān)鍵的維度，有不想手動的去計算其他的維度值，就可以使用view(-1)，pytorch就會自動幫你計算出來。
word_embedding=torch.randn(16,3,768)
print(word_embedding.shape)
new_word_embedding=word_embedding.view(-1)
print(new_word_embedding.shape)
new_word_embedding=word_embedding.view(1,-1)
print(new_word_embedding.shape)
new_word_embedding=word_embedding.view(-1,768)
print(new_word_embedding.shape)
結(jié)果如下：使用-1以后，就會自動得到其他維度維。
需要特別注意的是：view（-1,-1）這樣的用法就會出錯。也就是說view()函數(shù)中只能出現(xiàn)單個-1。
5、cat()
cat(seq,dim,out=None)，表示把兩個或者多個tensor拼接起來。
其中 seq表示要連接的兩個序列，以元組的形式給出，例如:seq=(a,b), a,b 為兩個可以連接的序列
dim 表示以哪個維度連接，dim=0, 橫向連接 dim=1,縱向連接
a=torch.randn(4,3)
b=torch.randn(4,3)
c=torch.cat((a,b),dim=0)#橫向拼接，增加行 torch.Size([8, 3])
print(c.shape)
d=torch.cat((a,b),dim=1)#縱向拼接，增加列 torch.Size([4, 6])
print(d.shape)
還有一種寫法：cat(list,dim,out=None)，其中l(wèi)ist中的元素為tensor。
tensors=[]
for i in range(10):
tensors.append(torch.randn(4,3))
a=torch.cat(tensors,dim=0) #torch.Size([40, 3])
print(a.shape)
b=torch.cat(tensors,dim=1) #torch.Size([4, 30])
print(b.shape)
結(jié)果：
torch.Size([40, 3])
torch.Size([4, 30])
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- 詳解pytorch中squeeze()和unsqueeze()函數(shù)介紹
- pytorch中torch.max和Tensor.view函數(shù)用法詳解
- pytorch中的squeeze函數(shù)、cat函數(shù)使用
