相关阅读
Pytorch基础
https://blog.csdn.net/weixin_45791458/category_12457644.html?spm=1001.2014.3001.5482
在Pytorch中，squeeze和unsqueeze是Tensor的一个重要方法，同时它们也是torch模块中的一个函数，它们的语法如下所示。
Tensor.squeeze(dim=None) → Tensor
torch.squeeze(input, dim=None) → Tensorinput (Tensor) – the input tensor.
dim (int or tuple of ints, optional) – if given, the input will be squeezed only in the specified dimensions.Tensor.unsqueeze(dim) → Tensor
torch.unsqueeze(input, dim) → Tensorinput (Tensor) – the input tensor.
dim (int) – the index at which to insert the singleton dimension一、squeeze
squeeze函数（或方法）返回一个新的张量，该张量移除了原张量中大小为1的维度，例如：输入张量的形状是(A×1×B×C×1×D)，使用了squeeze函数（或方法）后，输出张量的形状是(A×B×C×D)。请注意：输出张量将与输入张量共享底层存储，因此改变一个张量的内容将改变另一个张量的内容。默认情况下，squeeze将移除所有尺寸为1的维度，如果传递了dim参数，则会将dim中的维度展开。dim的范围可以是[-input.dim()-1, input.dim()]，其中负数索引表示从后往前数的位置，例如-1代表最后一个维度。
可以看下面的例子以更好的理解：
import torch# 创建一个形状为 (2, 1, 2, 1, 2) 的张量
x = torch.zeros(2, 1, 2, 1, 2)
print(x, x.size(), id(x))# 移除所有大小为1的维度
a = torch.squeeze(x) # 等价于 a = x.squeeze()
print(a, a.size(), id(a))# 尝试移除第0维度（由于第0维度大小不为1，因此不改变形状）
b = torch.squeeze(x, 0) # 等价于 b = x.squeeze(0)
print(b, b.size(), id(b))# 移除第1维度（第1维度大小为1）
c = torch.squeeze(x, 1) # 等价于 c = x.squeeze(1)
print(c, c.size(), id(c))# 移除第1、第2和第3维度（第1和第3维度大小为1，第2维度不变）
d = torch.squeeze(x, (1, 2, 3)) # 等价于 d = x.squeeze((1, 2, 3))
print(d, d.size(), id(d))# 验证所有张量共享底层存储空间
print(x.data_ptr() == a.data_ptr() == b.data_ptr() == c.data_ptr() == d.data_ptr()) # 共享底层存储空间输出：
tensor([[[[[0., 0.]],[[0., 0.]]]],[[[[0., 0.]],[[0., 0.]]]]]) torch.Size([2, 1, 2, 1, 2]) 1899057117680tensor([[[0., 0.],[0., 0.]],[[0., 0.],[0., 0.]]]) torch.Size([2, 2, 2]) 1899057158240tensor([[[[[0., 0.]],[[0., 0.]]]],[[[[0., 0.]],[[0., 0.]]]]]) torch.Size([2, 1, 2, 1, 2]) 1899737467296tensor([[[[0., 0.]],[[0., 0.]]],[[[0., 0.]],[[0., 0.]]]]) torch.Size([2, 2, 1, 2]) 1899737467376tensor([[[0., 0.],[0., 0.]],[[0., 0.],[0., 0.]]]) torch.Size([2, 2, 2]) 1899737467216
True二、 unsqueeze
unsqueeze函数（或方法）函数返回一个新的张量，该张量在指定维度(dim)插入一个大小为1的维度。使用unsqueeze函数（或方法）后，输入张量的形状会相应增加一个维度。例如，输入张量的形状是（A×B×C），在第1维度使用unsqueeze后，输出张量的形状将变为（A×1×B×C）。请注意，输出张量将与输入张量共享底层存储，因此改变一个张量的内容将改变另一个张量的内容。dim的范围可以是[-input.dim(), input.dim()-1]，其中负数索引表示从后往前数的位置，例如-1代表最后一个维度。
可以看下面的例子以更好的理解：
import torch# 创建一个形状为 (2, 2, 2) 的张量
x = torch.zeros(2, 2, 2)
print(x, x.size(), id(x))# 在第0维度插入单维度
a = torch.unsqueeze(x, 0) # 等价于 a = x.unsqueeze(0)
print(a, a.size(), id(a))# 在第1维度插入单维度
b = torch.unsqueeze(x, 1) # 等价于 b = x.unsqueeze(1)
print(b, b.size(), id(b))# 在第2维度插入单维度
c = torch.unsqueeze(x, 2) # 等价于 c = x.unsqueeze(2)
print(c, c.size(), id(c))# 在第3维度插入单维度
d = torch.unsqueeze(x, 3) # 等价于 d = x.unsqueeze(3)
print(d, d.size(), id(d))# 验证所有张量共享底层存储空间
print(x.data_ptr() == a.data_ptr() == b.data_ptr() == c.data_ptr() == d.data_ptr()) # 共享底层存储空间输出：
tensor([[[0., 0.],[0., 0.]],[[0., 0.],[0., 0.]]]) torch.Size([2, 2, 2]) 1509028592032tensor([[[[0., 0.],[0., 0.]],[[0., 0.],[0., 0.]]]]) torch.Size([1, 2, 2, 2]) 1509028632592tensor([[[[0., 0.],[0., 0.]]],[[[0., 0.],[0., 0.]]]]) torch.Size([2, 1, 2, 2]) 1507561225888tensor([[[[0., 0.]],[[0., 0.]]],[[[0., 0.]],[[0., 0.]]]]) torch.Size([2, 2, 1, 2]) 1507561391824tensor([[[[0.],[0.]],[[0.],[0.]]],[[[0.],[0.]],[[0.],[0.]]]]) torch.Size([2, 2, 2, 1]) 1507561391904
True