引言：此函数常用于维度计算当中，网络搭建过程中，在下不才，将此函数理解为维度加一函数，也就是扩充在原来基础上再扩充一个一维 维度的函数。
如果在引言部分你只是懵懵懂懂，那下面就展示几个通俗易懂的例子吧！（默认情况下，图像的一般表述为（C*W*H）其中C代表通道数，C就是常说的三RGB通道，W代表的是图像的宽度，H代表图像的高度，下面以这个讲解）
数据库导入：
import torchfrom PIL import Imageimport matplotlib.pyplot as plt1.首先在一维维度的空间花痴的香菇，在开头加上/扩充一个维度。（Y,X）
1》在Y轴方向的扩张
代码：
data1=torch.tensor([1,2,5,9])print(data1,data1.dim(),data1.size())data2=torch.unsqueeze(data1,0)print(data2,data2.dim(),data2.size())output：
tensor([1, 2, 5, 9]) 1 torch.Size([4])
tensor([[1, 2, 5, 9]]) 2 torch.Size([1, 4])
分析：在原来的一维维度花痴的香菇扩充为二维维度花痴的香菇。类似于原来在X轴上的一维数据，在Y轴上扩张。
2》在X轴方向上的扩张。
代码：
data1=torch.tensor([1,2,5,9])print(data1,data1.dim(),data1.size())data2=torch.unsqueeze(data1,1)print(data2,data2.dim(),data2.size())output：
tensor([1, 2, 5, 9]) 1 torch.Size([4])
tensor([[1],
[2],
[5],
[9]]) 2 torch.Size([4, 1])
分析：类似于原来在Y轴上的一维数据，在X轴上扩张。
3.在二维空间上的扩张。（Z）
1》首先在Z轴上的扩张。
代码：
data1=torch.randn((2,3))print(data1,data1.dim(),data1.size())data2=torch.unsqueeze(data1,0)print(data2)print(data2.dim(),data2.size())output：
tensor([[ 1.1373, 0.1755, -0.3572], [ 0.3606, -0.4550, -1.0797]]) 2 torch.Size([2, 3])tensor([[[ 1.1373, 0.1755, -0.3572], [ 0.3606, -0.4550, -1.0797]]])3 torch.Size([1, 2, 3])2》在Y上的扩张。
代码：
data1=torch.randn((2,3))print(data1,data1.dim(),data1.size())data2=torch.unsqueeze(data1,1)print(data2)print(data2.dim(),data2.size())output：
tensor([[-0.7019, -0.4293, -0.5671], [-1.6799, -0.0126, 0.1750]]) 2 torch.Size([2, 3])tensor([[[-0.7019, -0.4293, -0.5671]], [[-1.6799, -0.0126, 0.1750]]])3 torch.Size([2, 1, 3])3》在Z轴上的扩张。
代码：
data1=torch.randn((2,3))print(data1,data1.dim(),data1.size())data2=torch.unsqueeze(data1,-1)print(data2)print(data2.dim(),data2.size())output：
tensor([[ 1.1902, -1.2110, -0.0837], [-0.0760, 0.5523, -1.3458]]) 2 torch.Size([2, 3])tensor([[[ 1.1902], [-1.2110], [-0.0837]], [[-0.0760], [ 0.5523], [-1.3458]]])3 torch.Size([2, 3, 1])4.结束：
GAME OVER
如果理解错误，欢迎大家批评，及时纠正强健的豆芽的错误哦，真心感谢你的纠正！！！
如果小伙伴梦有疑问欢迎在评论区留言哦！！！
如果感觉不错的话！点个赞呗，不用客气！（O(∩_∩)O哈哈~）
欢迎和小伙伴梦一起学习，共同努力，加油！！！