squeeze的用法,pytorch clamp

1. torch.unsqueeze详细信息

2.unsqueeze_和unsqueeze的区别

3. torch.squeeze详细信息

1.torch.unsqueezetorch.un squeeze (input，dim，out=None )详细信息

作用:扩展维以返回新的wldhm，并在输入的默认位置插入维1

返回33558www.Sina.com/wldhm与输入wldhm共享内存，因此更改其中一个内容将更改另一个。如果dim为负，则转换为dim input.dim (1http://www.Sina.com/tensor (tensor ) )。键入wldhmdim(int )，然后插入维索引输出(tensor )。可选(结果wldhmimporttorchx=torch.tensor ([ 1，2，3，4 ] ) # torch.Tensor是默认的tensor类型) torch.FlaotTensor ) print(x('-'*50 ) print (x ) ) #tensor ) [1.2 .3 .4.] (print (x.size () torch.size ) )4) ) 4.](print(torch.unsqueeze ) x，0 ).size ) torch.size ([ 1，4 ] ) print (torch.un squeeze )，x， size ) ) torch.unsqueeze )0).numpy () ([1.2.3.4.] ) print ) (-'*50 ) print ) torch.unsqueeze ) ) x，1 #[4.](print(torch.unsqueeze ) x，-1).size ) ) torch.size ) ) print (torch.un squeze ) x，1 ) ) torch

#说明： adimvaluewithintherange [-input.dim (-1，input.dim ) )1) )左闭右开) can be used。

#print('-'*50 ) )

#print(Torch.UNsqueeze，-3) ) ) ) ) ) ) )。

# index error : dimensionoutofrange (expectedtobeinrangeof (-2，1 )、but got -3 ) ) ) ) ) ) )。

#print('-'*50 ) )

#print(Torch.UNsqueeze(x，2 ) ) ) ) ) ) ) ) )。

# index error : dimensionoutofrange (expectedtobeinrangeof (-2，1 )、but got 2() ) ) ) ) ) ) )。

#为什么要这样设计值的范围？

#理由：容易操作

#0(-2 ) -行扩展

#1(-1 ) -列扩展

(正向)我们在0，1的位置扩张

#相反：我们在-2、-1的位置扩张

#维扩展：一维-二维、二维-gt

;3维，...，n维->n+1维
# 维度降低：n维->n-1维，n-1维->n-2维，...，2维->1维

# 以 1维->2维为例，

# 从【正向】的角度思考：

# torch.Size([4])
# 最初的 tensor([1., 2., 3., 4.]) 是 1维，我们想让它扩展成 2维，那么，可以有两种扩展方式：

# 一种是：扩展成 1行4列，即 tensor([[1., 2., 3., 4.]])
# 针对第一种，扩展成 [1, 4]的形式，那么，在 dim=0 的位置上添加 1

# 另一种是：扩展成 4行1列，即
# tensor([[1.],
# [2.],
# [3.],
# [4.]])
# 针对第二种，扩展成 [4, 1]的形式，那么，在dim=1的位置上添加 1

# 从【逆向】的角度思考：
# 原则：一般情况下， "-1" 是代表的是【最后一个元素】
# 在上述的原则下，
# 扩展成[1, 4]的形式，就变成了，在 dim=-2 的的位置上添加 1
# 扩展成[4, 1]的形式，就变成了，在 dim=-1 的的位置上添加 1

2. unsqueeze_和 unsqueeze 的区别

PyTorch中的 XXX_ 和 XXX 实现的功能都是相同的，唯一不同的是前者进行的是 in_place 操作。

unsqueeze_ 和 unsqueeze 实现一样的功能,区别在于 unsqueeze_ 是 in_place 操作,即 unsqueeze 不会对使用 unsqueeze 的 tensor 进行改变,想要获取 unsqueeze 后的值必须赋予个新值, unsqueeze_ 则会对自己改变。

print("-" * 50)a = torch.Tensor([1, 2, 3, 4])print(a)# tensor([1., 2., 3., 4.])b = torch.unsqueeze(a, 1)print(b)# tensor([[1.],# [2.],# [3.],# [4.]])print(a)# tensor([1., 2., 3., 4.])print("-" * 50)a = torch.Tensor([1, 2, 3, 4])print(a)# tensor([1., 2., 3., 4.])print(a.unsqueeze_(1))# tensor([[1.],# [2.],# [3.],# [4.]])print(a)# tensor([[1.],# [2.],# [3.],# [4.]]) 3. torch.squeeze 详解作用：降维

torch.squeeze(input, dim=None, out=None)

将输入wldhm形状中的1 去除并返回。如果输入是形如(A×1×B×1×C×1×D)，那么输出形状就为： (A×B×C×D)

当给定dim时，那么挤压操作只在给定维度上。例如，输入形状为: (A×1×B), squeeze(input, 0) 将会保持wldhm不变，只有用 squeeze(input, 1)，形状会变成 (A×B)。

注意：返回wldhm与输入wldhm共享内存，所以改变其中一个的内容会改变另一个。参数:input (Tensor) – 输入wldhmdim (int, optional) – 如果给定，则input只会在给定维度挤压out (Tensor, optional) – 输出wldhm 为何只去掉 1 呢？

多维wldhm本质上就是一个变换，如果维度是 1 ，那么，1 仅仅起到扩充维度的作用，而没有其他用途，因而，在进行降维操作时，为了加快计算，是可以去掉这些 1 的维度。

print("*" * 50)m = torch.zeros(2, 1, 2, 1, 2)print(m.size()) # torch.Size([2, 1, 2, 1, 2])n = torch.squeeze(m)print(n.size()) # torch.Size([2, 2, 2])n = torch.squeeze(m, 0) # 当给定dim时，那么挤压操作只在给定维度上print(n.size()) # torch.Size([2, 1, 2, 1, 2])n = torch.squeeze(m, 1)print(n.size()) # torch.Size([2, 2, 1, 2])n = torch.squeeze(m, 2)print(n.size()) # torch.Size([2, 1, 2, 1, 2])n = torch.squeeze(m, 3)print(n.size()) # torch.Size([2, 1, 2, 2])print("@" * 50)p = torch.zeros(2, 1, 1)print(p)# tensor([[[0.]],# [[0.]]])print(p.numpy())# [[[0.]]# [[0.]]]print(p.size())# torch.Size([2, 1, 1])q = torch.squeeze(p)print(q)# tensor([0., 0.])print(q.numpy())# [0. 0.]print(q.size())# torch.Size([2])print(torch.zeros(3, 2).numpy())# [[0. 0.]# [0. 0.]# [0. 0.]]

torch.unsqueeze() 和 torch.squeeze() - 知乎