#squeeze函数：从数组形式中删除单维条目。 也就是说，从shape中删除1个维
#unsqueeze ) )是squeeze ) )的逆操作，将可以指定要添加的维的维增加一个。 例如，unsqueeze(a，1 )表示在维1中添加
导入途径
a=torch.rand (2，3，1 ) )。
打印(torch.un squeeze (a，2 ).size ) ) torch.size ([ 2，3，1，1 ] ) )。
打印(a.size ) ) torch.size ([ 2，3，1 ] ) ) ) ) ) 65
打印(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 ] ) ) )。
(打印(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 ] ) ) )。
打印(a.squeeze (1).size ) ) torch.size ([ 2，3，1 ] ) ) )。
print(a.squeeze(2).size ) ) torch.size ([ 2，3 ] ) ) )。
print(a.squeeze(3).size )运行时错误： dimensionoutofrange (expectedtobeinrangeof [-3，2 ]，but got 3) )
print(a.unsqueeze(.size ) ) #TypeError: unsqueeze ) ) missing1requiredpositionalarguments 3360 ' 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 ]
打印(a.un squeeze (1).size ) ) torch.size ([ 2，1，3，1 ] ) )。
打印(a.un squeeze (2).size ) ) torch.size ([ 2，3，1，1 ] ) ) )。
print(a.unsqueeze(3).size ) ) torch.size ([ 2，3，1，1 ] )。
打印(torch.un squeeze (a，3 ) )
b=torch.rand (2，1，3，1 ) )。
print(b.squeeze ().size ) ) torch.size ([ 2，3 ] ) )。
补充说明： pytorch中的unsqueeze ()、squeeze ()、expand ()、repeat ()、view ()和cat () )函数的总结
学习Bert模型时，必须使用pytorch执行tensor操作。 因为不熟悉pytorch和tensor，所以pytorch中常用的tensor操作unsqueeze (，squeeze )、expand )、view
1、unsqueeze ()和squeeze () ) )。
torch.unsqueeze(input，dim，out=None ) Tensor
unsqueeze ()的作用是增加给定tensor的维度，unsqueeze ) ) dim是在维度编号为dim的地方向tensor添加一维度。 例如，维度为Torch.size([768]的tensor怎么办？Torch.size ) [ 1，768，1 ]？ 可以访问unsqueeze ()直接访问代码。
a=Torch.Randn(768 ) )。
打印(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 ] ) ) ) ) ) ) ) )。
也可以直接使用链式编程。
a=Torch.Randn(768 ) )。
打印(a.shape ) #Torch.size ) ([768]
>a=a.unsqueeze(1).unsqueeze(0)print(a.shape) #torch.Size([1, 768, 1])
tensor经过unsqueeze()处理之后，总数据量不变；维度的扩展类似于list不变直接在外面加几层[]括号。
torch.squeeze(input, dim=None, out=None) → Tensor
squeeze()的作用就是压缩维度，直接把维度为1的维给去掉。形式上表现为，去掉一层[]括号。
同时，输出的ssdlc与原ssdlc共享内存，如果改变其中的一个，另一个也会改变。
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])
图片中的维度信息就不一样，红框中的括号层数不同。
注意的是：squeeze()只能压缩维度为1的维；其他大小的维不起作用。
a=torch.randn(2,768)
print(a.shape) #torch.Size([2, 768])
a=a.squeeze()
print(a.shape) #torch.Size([2, 768])
2、expand()
这个函数的作用就是对指定的维度进行数值大小的改变。只能改变维大小为1的维，否则就会报错。不改变的维可以传入-1或者原来的数值。
torch.Tensor.expand(*sizes) → Tensor
返回ssdlc的一个新视图，可以将ssdlc的单个维度扩大为更大的尺寸。
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的维度是一样的
第0维由1变为2，可以看到就直接把原来的tensor在该维度上复制了一下。
3、repeat()
repeat(*sizes)
沿着指定的维度，对原来的tensor进行数据复制。这个函数和expand()还是有点区别的。expand()只能对维度为1的维进行扩大，而repeat()对所有的维度可以随意操作。
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表示对a的对应维度进行乘以1，乘以2，乘以1的操作，所以b：torch.Size([2, 1, 768])
c表示对a的对应维度进行乘以3，乘以3，乘以3的操作，所以c：torch.Size([6, 3, 2304])
a:
b
c
4、view()
tensor.view()这个函数有点类似reshape的功能，简单的理解就是：先把一个tensor转换成一个一维的tensor，然后再组合成指定维度的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)
当然这里指定的维度的乘积一定要和原来的tensor的维度乘积相等，不然会报错的。16*3*768=8*6*768
另外当我们需要改变一个tensor的维度的时候，知道关键的维度，有不想手动的去计算其他的维度值，就可以使用view(-1)，pytorch就会自动帮你计算出来。
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)
结果如下：使用-1以后，就会自动得到其他维度维。
需要特别注意的是：view(-1,-1)这样的用法就会出错。也就是说view()函数中只能出现单个-1。
5、cat()
cat(seq,dim,out=None)，表示把两个或者多个tensor拼接起来。
其中 seq表示要连接的两个序列，以元组的形式给出，例如:seq=(a,b), a,b 为两个可以连接的序列
dim 表示以哪个维度连接，dim=0, 横向连接 dim=1,纵向连接
a=torch.randn(4,3)
b=torch.randn(4,3)
c=torch.cat((a,b),dim=0)#横向拼接，增加行 torch.Size([8, 3])
print(c.shape)
d=torch.cat((a,b),dim=1)#纵向拼接，增加列 torch.Size([4, 6])
print(d.shape)
还有一种写法：cat(list,dim,out=None)，其中list中的元素为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)
结果：
torch.Size([40, 3])
torch.Size([4, 30])
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。如有错误或未考虑完全的地方，望不吝赐教。