Torch中view（）和unqueeze（）有什么区别？

Question

使用unsqueeze()：

input = torch.Tensor(2, 4, 3) # input: 2 x 4 x 3
print(input.unsqueeze(0).size()) # prints - torch.size([1, 2, 4, 3])

使用view()：

input = torch.Tensor(2, 4, 3) # input: 2 x 4 x 3
print(input.view(1, -1, -1, -1).size()) # prints - torch.size([1, 2, 4, 3])

根据文档，unsqueeze()在作为参数给出的位置插入单身昏暗，view()创建一个与tensor相关联的存储维度不同的视图。

view()对我来说很清楚，但我无法将其与unsqueeze()区分开来。此外，我不知道何时使用view()以及何时使用unsqueeze()？

任何有关良好解释的帮助都将不胜感激！

Answer 1

view（）只能取一个“-1”参数。

因此，如果要添加单个维度，则需要提供所有维度作为参数。例如，如果A是2x3x4张量，要添加单个维度，则需要执行A：view（2,1,3,4）。

但是，有时，在使用操作时，输入的维度是未知的。因此，我们不知道A是2x3x4，但我们仍然希望插入单个维度。当使用张量的张量时，这种情况会发生很多，其中最后一个维度通常是未知的。在这些情况下，nn.Unsqueeze非常有用，我们可以在编写代码时插入维度而无需显式地了解其他维度。

Answer 2

unsqueeze() 是 view()

的特例

为方便起见，许多 Python 库都有简写别名，用于更通用的函数的常见用途。

• view() 将张量重塑为指定的形状
• unsqueeze() 通过添加深度为 1 的新维度来重塑张量
  （即将一个 n.d 张量变成一个 n+1.d 张量）

何时使用 unsqueeze()？

一些示例用例：

• 您有一个设计用于接收 RGB 图像张量 (3d: CxHxW) 的模型，但您的数据是 2d 灰度图像 (​​HxW)
• 您的模型旨在接收成批的数据 (batch_size x dim1 x dim2 x ...)，并且您希望为其提供单个样本（即大小为 1 的批次）。