pytorch下的unsqueeze和squeeze的用法說(shuō)明

更新時(shí)間：2021年02月06日 09:31:16 作者：York1996

這篇文章主要介紹了pytorch下的unsqueeze和squeeze的用法說(shuō)明，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

#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(gè)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(gè)維度進(jìn)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(bǔ)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(shí)候，需要使用到pytorch來(lái)進(jìn)行tensor的操作，由于對(duì)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(gè)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(lái)增加給定tensor的維度的，unsqueeze(dim)就是在維度序號(hào)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?zhǔn)骄幊蹋?/p>

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(guò)unsqueeze()處理之后，總數(shù)據(jù)量不變；維度的擴(kuò)展類似于list不變直接在外面加幾層[]括號(hào)。

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(hào)。

同時(shí)，輸出的張量與原張量共享內(nèi)存，如果改變其中的一個(gè)，另一個(gè)也會(huì)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(hào)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(gè)函數(shù)的作用就是對(duì)指定的維度進(jìn)行數(shù)值大小的改變。只能改變維大小為1的維，否則就會(huì)報(bào)錯(cuò)。不改變的維可以傳入-1或者原來(lái)的數(shù)值。

torch.Tensor.expand(*sizes) → Tensor

返回張量的一個(gè)新視圖，可以將張量的單個(gè)維度擴(kuò)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(lái)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(duì)原來(lái)的tensor進(jìn)行數(shù)據(jù)復(fù)制。這個(gè)函數(shù)和expand()還是有點(diǎn)區(qū)別的。expand()只能對(duì)維度為1的維進(jìn)行擴(kuò)大，而repeat()對(duì)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(duì)a的對(duì)應(yīng)維度進(jìn)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(duì)a的對(duì)應(yīng)維度進(jìn)行乘以3，乘以3，乘以3的操作，所以c：torch.Size([6, 3, 2304])

4、view()

tensor.view()這個(gè)函數(shù)有點(diǎn)類似reshape的功能，簡(jiǎn)單的理解就是：先把一個(gè)tensor轉(zhuǎn)換成一個(gè)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(dāng)然這里指定的維度的乘積一定要和原來(lái)的tensor的維度乘積相等，不然會(huì)報(bào)錯(cuò)的。16*3*768=8*6*768

另外當(dāng)我們需要改變一個(gè)tensor的維度的時(shí)候，知道關(guān)鍵的維度，有不想手動(dòng)的去計(jì)算其他的維度值，就可以使用view(-1)，pytorch就會(huì)自動(dòng)幫你計(jì)算出來(lái)。

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(huì)自動(dòng)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(huì)出錯(cuò)。也就是說(shuō)view()函數(shù)中只能出現(xiàn)單個(gè)-1。

5、cat()

cat(seq,dim,out=None)，表示把兩個(gè)或者多個(gè)tensor拼接起來(lái)。

其中 seq表示要連接的兩個(gè)序列，以元組的形式給出，例如:seq=(a,b), a,b 為兩個(gè)可以連接的序列

dim 表示以哪個(gè)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：