在深度學(xué)習(xí)中經(jīng)常會(huì)處理各種形狀（shape）復(fù)雜的張量（tensor）。
有時(shí)候，模型的輸入或輸出會(huì)多出一些沒(méi)用的“維度”，例如 (1, 3, 1, 224, 224)。
這時(shí)，PyTorch 提供了一個(gè)非常實(shí)用的函數(shù) —— torch.squeeze()，可以幫我們輕松去除大小為 1 的維度。

本文將帶你從入門到實(shí)戰(zhàn)，徹底掌握 squeeze() 的使用方法與常見(jiàn)坑。??

一、函數(shù)簡(jiǎn)介

官方定義

torch.squeeze(input, dim=None) → Tensor

作用：

返回一個(gè)新的張量，去掉所有大小為 1 的維度。
如果指定了 dim 參數(shù)，則只會(huì)在那個(gè)維度上去除大小為 1 的維度。

squeeze 本身英文釋義如下：

二、為什么需要squeeze()？

在深度學(xué)習(xí)中，模型輸入輸出的維度往往需要嚴(yán)格匹配。
但是，在數(shù)據(jù)加載或卷積操作之后，可能會(huì)出現(xiàn)一些“冗余維度”。

舉個(gè)例子：

import torch

x = torch.randn(1, 3, 1, 4)
print(x.shape)

輸出：

torch.Size([1, 3, 1, 4])

可以看到，這個(gè)張量的第 0 和第 2 維都是大小為 1 的“空維度”。
這些維度不會(huì)存儲(chǔ)實(shí)際信息，但可能會(huì)導(dǎo)致維度不匹配錯(cuò)誤。

這時(shí)，我們就可以用：

x.squeeze()

輸出：

torch.Size([3, 4])

? 所有大小為 1 的維度都被自動(dòng)去掉！

三、函數(shù)語(yǔ)法與參數(shù)說(shuō)明

四、示例講解

1、去除所有大小為 1 的維度

x = torch.randn(1, 3, 1, 4, 1)
print("原形狀:", x.shape)
y = torch.squeeze(x)
print("壓縮后:", y.shape)

輸出：

原形狀: torch.Size([1, 3, 1, 4, 1])
壓縮后: torch.Size([3, 4])

說(shuō)明：
squeeze() 去掉了所有維度為 1 的軸。

2、指定某個(gè)維度壓縮

有時(shí)候我們不想去掉所有維度，只想處理特定的一個(gè)。

x = torch.randn(1, 3, 1, 4)
print("原形狀:", x.shape)
y = torch.squeeze(x, dim=0)
print("壓縮后:", y.shape)

輸出：

原形狀: torch.Size([1, 3, 1, 4])
壓縮后: torch.Size([3, 1, 4])

?? 只去掉了第 0 維，因?yàn)樗拇笮∈?1。
其他維度保持不變。

3、如果指定的維度不是 1，會(huì)怎樣？

x = torch.randn(2, 1, 3)
y = torch.squeeze(x, dim=0)
print(y.shape)

輸出：

torch.Size([2, 1, 3])

沒(méi)有任何變化，因?yàn)榈?0 維的大小是 2，不是 1。
squeeze() 只會(huì)壓縮大小為 1 的維度，不會(huì)報(bào)錯(cuò)。

五、與unsqueeze()的關(guān)系

如果說(shuō) squeeze() 是“去掉維度”，
那 unsqueeze() 就是“增加維度”。

x = torch.tensor([1, 2, 3])
print(x.shape)  # torch.Size([3])

y = x.unsqueeze(0)
print(y.shape)  # torch.Size([1, 3])

z = y.squeeze(0)
print(z.shape)  # torch.Size([3])

? unsqueeze() 與 squeeze() 是一對(duì)反操作。
一個(gè)增加維度，一個(gè)去除維度。

六、常見(jiàn)應(yīng)用場(chǎng)景

1、數(shù)據(jù)集加載時(shí)去掉多余維度

# 讀取圖片后通常是 (1, H, W)
img = torch.randn(1, 224, 224)
img = img.squeeze(0)
print(img.shape)  # torch.Size([224, 224])

2、模型輸出后去掉 batch 維度

# 例如分類模型輸出 [1, num_classes]
output = torch.randn(1, 10)
pred = output.squeeze(0)
print(pred.shape)  # torch.Size([10])

3、多維卷積層結(jié)果調(diào)整

在 Conv2d、LSTM 等層輸出中，有時(shí)需要將 [batch, seq_len, 1] 變成 [batch, seq_len]。

out = torch.randn(32, 100, 1)
out = out.squeeze(-1)
print(out.shape)  # torch.Size([32, 100])

?? 七、注意事項(xiàng)與坑點(diǎn)

八、擴(kuò)展：與 NumPy 對(duì)比

PyTorch 的 squeeze() 和 NumPy 的 numpy.squeeze() 功能幾乎一致。

import numpy as np

a = np.random.randn(1, 3, 1, 4)
print(a.shape)  # (1, 3, 1, 4)
print(a.squeeze().shape)  # (3, 4)

如果熟悉 NumPy 的用法，PyTorch 中也能無(wú)縫銜接。

九、總結(jié)

十、參考資料

• PyTorch 官方文檔 — torch.squeeze

• PyTorch Tensor 操作速查表

到此這篇關(guān)于PyTorch中tensor.squeeze() 使用小結(jié)的文章就介紹到這了,更多相關(guān)PyTorch tensor.squeeze()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