在指定的位置插入一個(gè)維度，有兩個(gè)參數(shù)，input是輸入的tensor，dim是要插到的維度

需要注意的是dim的范圍是[-input.dim()-1, input.dim()+1)，是一個(gè)左閉右開(kāi)的區(qū)間，當(dāng)dim為負(fù)值時(shí)，會(huì)自動(dòng)轉(zhuǎn)換為dim = dim+input.dim()+1，類似于使用負(fù)數(shù)對(duì)python列表進(jìn)行切片。

import torch

a = torch.randn(2,5)
print(a)

print("")
b = a.unsqueeze(0)
print(b.shape)

print("")
c = a.unsqueeze(a.dim())
print(c.shape)


輸出：
tensor([[-0.4734,  0.4115, -0.9415, -1.1280, -0.1065],
        [ 0.1613,  1.2594,  1.1261,  1.3881,  0.1112]])

torch.Size([1, 2, 5])

torch.Size([2, 5, 1])

以上是二維數(shù)據(jù)情況：

首先生成了一個(gè)二維矩陣，其大小為[2，5]

然后，在0維度上插入一個(gè)維度，可以看到現(xiàn)在新矩陣a的形狀變?yōu)閇1，2，5]，第0維度的大小默認(rèn)是1

最后，在最后一個(gè)維度上插入一個(gè)維度，形狀變?yōu)閇2, 5, 1]

a=torch.rand(2,3,2)

print("")
print("torch.unsqueeze(a,3) size: {}".format(torch.unsqueeze(a,3).size()))

print("")
print("torch.unsqueeze(a,2) size: {}".format(torch.unsqueeze(a,2).size()))

print("")
print("torch.unsqueeze(a,1) size: {}".format(torch.unsqueeze(a,1).size()))

print("")
print("torch.unsqueeze(a,0) size: {}".format(torch.unsqueeze(a,0).size()))
 
print("")
print("torch.unsqueeze(a,-1) size: {}".format(torch.unsqueeze(a,-1).size()))

print("")
print("torch.unsqueeze(a,-2) size: {}".format(torch.unsqueeze(a,-2).size()))

print("")
print("torch.unsqueeze(a,-3) size: {}".format(torch.unsqueeze(a,-3).size()))

print("")
print("torch.unsqueeze(a,-4) size: {}".format(torch.unsqueeze(a,-4).size()))

輸出：
torch.unsqueeze(a,3) size: torch.Size([2, 3, 2, 1])

torch.unsqueeze(a,2) size: torch.Size([2, 3, 1, 2])

torch.unsqueeze(a,1) size: torch.Size([2, 1, 3, 2])

torch.unsqueeze(a,0) size: torch.Size([1, 2, 3, 2])

torch.unsqueeze(a,-1) size: torch.Size([2, 3, 2, 1])

torch.unsqueeze(a,-2) size: torch.Size([2, 3, 1, 2])

torch.unsqueeze(a,-3) size: torch.Size([2, 1, 3, 2])

torch.unsqueeze(a,-4) size: torch.Size([1, 2, 3, 2])

對(duì)于三維數(shù)據(jù)input.dim() = 3，因此dim的范圍是[-4, 4)

torch.squeeze() 和 torch.unsqueeze()區(qū)別

第一塊：

squeeze(),主要是對(duì)數(shù)據(jù)的維度進(jìn)行壓縮，去掉元素?cái)?shù)為1的那個(gè)維度，使用方式：a.squeeze(N) or torch.squeeze(a,N) ，去掉a的第N維度，以此來(lái)實(shí)現(xiàn)數(shù)據(jù)a的維度壓縮；

unsqueeze()與squeeze()函數(shù)功能相反，其功能是對(duì)數(shù)據(jù)維度進(jìn)行擴(kuò)充，使用方式：a.unsqueeze(N) or torch.unsqueeze(a,N)，在數(shù)據(jù)a的第N維度上增加一個(gè)維數(shù)為1的維度，以此實(shí)現(xiàn)對(duì)數(shù)據(jù)的擴(kuò)充，方便后續(xù)模型訓(xùn)練喂入模型的數(shù)據(jù)的維度和模型接收數(shù)據(jù)的維度是匹配的。

第二塊：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model.to(device) # 選擇第0個(gè)cuda

model.to(device)

以上兩行代碼放在讀取數(shù)據(jù)之前。

mytensor = my_tensor.to(device) #將所有最開(kāi)始讀取數(shù)據(jù)時(shí)的tensor變量copy一份到device所指定的GPU上，之后運(yùn)算都在指定的GPU上進(jìn)行。這些tensor多是最開(kāi)始讀取數(shù)據(jù)時(shí)的變量，后面其衍生出的新變量也會(huì)在已指定的GPU上運(yùn)行計(jì)算。

第三塊：

Tensor & Numpy 都是矩陣，區(qū)別在與Tensor可以在GPU上運(yùn)行，Numpy只能在CPU上運(yùn)行。（天吶，我現(xiàn)在才知道?。㏕ensor與Numpy互相轉(zhuǎn)化很方便，類型也比較兼容，Tensor可以直接通過(guò)print顯示數(shù)據(jù)類型，而Numpy不可以。

第四塊：

x.aadd(y) 實(shí)現(xiàn)x與y Tensor的相加，不改變x，返回一個(gè)新的Tensor

x.add_(y)  實(shí)現(xiàn)x與y Tensor的相加，會(huì)修改x的維數(shù)

到此這篇關(guān)于pytorch中unsqueeze用法小結(jié)的文章就介紹到這了,更多相關(guān)pytorch unsqueeze內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論