“解压”在Pytorch中做什么？

Question

我正在查看文档，这是他们的示例。我不明白这个例子如何与他们的解释相对应：“返回在指定位置插入尺寸为1的新张量。”

>>> x = torch.tensor([1, 2, 3, 4])
>>> torch.unsqueeze(x, 0)
tensor([[ 1,  2,  3,  4]])
>>> torch.unsqueeze(x, 1)
tensor([[ 1],
        [ 2],
        [ 3],
        [ 4]])

Answer 1

unsqueeze 变成了 n.d.张量变成 (n+1).d。一种方法是添加一个深度为 1 的额外维度。然而，由于新维度应该跨越哪个轴（即它应该在哪个方向“未压缩”）是不明确的，这需要由 dim 参数指定.

例如unsqueeze 可以通过三种不同的方式应用于 2d 张量：

生成的未压缩张量具有相同的信息，但用于访问它们的索引不同。

Answer 2

它指示添加尺寸的位置。 torch.unsqueeze给张量增加了一个尺寸。假设您有一个形状为（3）的张量，如果在0位置添加一个尺寸，则它的形状将为（1,3），即1行3列。如果在1位置添加，它将是（3,1），表示3行1列。如果您具有形状为（2,2）的2D张量，请在0位置添加一个额外的尺寸，这将导致该张量具有（1,2,2）的形状，这意味着一个通道，2行和2列。如果在1位置添加，它将具有形状（2,1,2），因此它将具有2个通道，1行和2列。如果将其添加到2位置，则张量的形状将为（2,2,1），表示2个通道，2行和1列。

Answer 3

如果查看数组前后的形状，则会发现它在(4,)之前和之后(1, 4)（第二个参数为0时）和{{ 1}}（当第二个参数是(4, 1)时）。因此，根据第二个参数的值，在数组1或1处以数组的形状插入了0。

与np.squeeze()（从MATLAB借用的术语）相反，后者删除了大小为1（单个）的轴。

Answer 4

我不确定为什么这里没有提到PyTorch引用，因为这是PyTorch的传统。

torch.squeeze

torch.unsqueeze

Answer 5

unsqueeze 是一种改变张量维度的方法，使得张量乘法等操作成为可能。这基本上改变了维度以产生具有不同维度的张量。

例如：如果您想将大小为 (4) 的张量与大小为 (4, N, N) 的张量相乘，则会出现错误。 但是使用 unsqueeze 方法，您可以将张量转换为大小 (4,1,1)。现在，由于它有一个大小为 1 的操作数，您将能够将两个张量相乘。