在 Pytorch 中“unsqueeze”有什么作用？

Question

我无法理解PyTorch 文档中的示例如何对应于解释：

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

如果您查看前后数组的形状，您会看到之前(4,)和之后(1, 4)（当第二个参数为 时0）和(4, 1)（当第二个参数为 时1）。因此，根据第二个参数的值，将a1插入到轴0或处的数组形状中1。

这与np.squeeze()删除大小轴1（单例）的（从 MATLAB 借用的命名法）相反。

Answer 2

它指示添加尺寸的位置。torch.unsqueeze为张量增加一个额外的维度。

所以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) 的二维张量，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 (2,1,2) 形状，因此它将有 2 个通道，1 行和 2 列。
• 如果在1位置添加，它将是 (3,1)，这意味着 3 行和 1 列。
• 如果将其添加到2位置，则张量的形状为 (2,2,1)，这意味着 2 个通道、2 行和 1 列。

Answer 3

我不知道为什么这里没有提到 PyTorch 引用，因为这是 PyTorch 的遗产。

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

返回一个张量，其中删除input了大小为1 的所有维度。

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dim给定时，挤压操作只在给定的维度上进行。如果输入的形状为： (A×1×B) ，squeeze(input, 0)则保持张量不变，但squeeze(input, 1)会将张量压缩为形状 (A×B) 。

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。

返回的张量与此张量共享相同的基础数据。

甲dim的范围内的值[-input.dim() - 1, input.dim() + 1)可以被使用。负dim将对应于unsqueeze()应用在dim = dim + input.dim() + 1。

Answer 4

unsqueeze将 nd 张量转换为 (n+1).d。一种方法是添加一个深度为 1 的额外维度。然而，由于新维度应该跨越哪个轴（即它应该在哪个方向“未压缩”）是不明确的，这需要由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 5

unsqueeze是一种改变张量维度的方法，使得张量乘法等操作成为可能。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。但是使用 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。