1 squeeze(): 去除size为1的维度，包括行和列。
至于维度大于等于2时，squeeze()不起作用。
行、例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
>>> torch.rand(4, 1, 3)
(0 ,.,.) =
0.5391 0.8523 0.9260
(1 ,.,.) =
0.2507 0.9512 0.6578
(2 ,.,.) =
0.7302 0.3531 0.9442
(3 ,.,.) =
0.2689 0.4367 0.6610
[torch.FloatTensor of size 4x1x3]
|
|
1
2
3
4
5
6
7
|
>>> torch.rand(4, 1, 3).squeeze()
0.0801 0.4600 0.1799
0.0236 0.7137 0.6128
0.0242 0.3847 0.4546
0.9004 0.5018 0.4021
[torch.FloatTensor of size 4x3]
|
列、例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
>>> torch.rand(4, 3, 1)
(0 ,.,.) =
0.7013
0.9818
0.9723
(1 ,.,.) =
0.9902
0.8354
0.3864
(2 ,.,.) =
0.4620
0.0844
0.5707
(3 ,.,.) =
0.5722
0.2494
0.5815
[torch.FloatTensor of size 4x3x1]
|
|
1
2
3
4
5
6
7
|
>>> torch.rand(4, 3, 1).squeeze()
0.8784 0.6203 0.8213
0.7238 0.5447 0.8253
0.1719 0.7830 0.1046
0.0233 0.9771 0.2278
[torch.FloatTensor of size 4x3]
|
不变、例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
>>> torch.rand(4, 3, 2)
(0 ,.,.) =
0.6618 0.1678
0.3476 0.0329
0.1865 0.4349
(1 ,.,.) =
0.7588 0.8972
0.3339 0.8376
0.6289 0.9456
(2 ,.,.) =
0.1392 0.0320
0.0033 0.0187
0.8229 0.0005
(3 ,.,.) =
0.2327 0.6264
0.4810 0.6642
0.8625 0.6334
[torch.FloatTensor of size 4x3x2]
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
>>> torch.rand(4, 3, 2).squeeze()
(0 ,.,.) =
0.0593 0.8910
0.9779 0.1530
0.9210 0.2248
(1 ,.,.) =
0.7938 0.9362
0.1064 0.6630
0.9321 0.0453
(2 ,.,.) =
0.0189 0.9187
0.4458 0.9925
0.9928 0.7895
(3 ,.,.) =
0.5116 0.7253
0.0132 0.6673
0.9410 0.8159
[torch.FloatTensor of size 4x3x2]
|
2 cat函数
|
1
2
3
4
5
6
|
>>> t1=torch.FloatTensor(torch.randn(2,3))
>>> t1
-1.9405 1.2009 0.0018
0.9463 0.4409 -1.9017
[torch.FloatTensor of size 2x3]
|
|
1
2
3
4
5
6
|
>>> t2=torch.FloatTensor(torch.randn(2,2))
>>> t2
0.0942 0.1581
1.1621 1.2617
[torch.FloatTensor of size 2x2]
|
|
1
2
3
4
5
|
>>> torch.cat((t1, t2), 1)
-1.9405 1.2009 0.0018 0.0942 0.1581
0.9463 0.4409 -1.9017 1.1621 1.2617
[torch.FloatTensor of size 2x5]
|
补充：pytorch中 max()、view()、 squeeze()、 unsqueeze()
查了好多博客都似懂非懂，后来写了几个小例子，瞬间一目了然。
一、torch.max()
|
1
2
3
4
5
6
7
8
9
|
import torch
a=torch.randn(3)
print("a:\n",a)
print('max(a):',torch.max(a))
b=torch.randn(3,4)
print("b:\n",b)
print('max(b,0):',torch.max(b,0))
print('max(b,1):',torch.max(b,1))
|
输出：
a:
tensor([ 0.9558, 1.1242, 1.9503])
max(a): tensor(1.9503)
b:
tensor([[ 0.2765, 0.0726, -0.7753, 1.5334],
[ 0.0201, -0.0005, 0.2616, -1.1912],
[-0.6225, 0.6477, 0.8259, 0.3526]])
max(b,0): (tensor([ 0.2765, 0.6477, 0.8259, 1.5334]), tensor([ 0, 2, 2, 0]))
max(b,1): (tensor([ 1.5334, 0.2616, 0.8259]), tensor([ 3, 2, 2]))
max(a),用于一维数据，求出最大值。
max(a,0),计算出数据中一列的最大值，并输出最大值所在的行号。
max(a,1),计算出数据中一行的最大值，并输出最大值所在的列号。
|
1
|
print('max(b,1):',torch.max(b,1)[1])
|
输出：只输出行最大值所在的列号
|
1
|
max(b,1): tensor([ 3, 2, 2])
|
torch.max(b,1)[0]， 只返回最大值的每个数
二、view()
a.view(i,j)表示将原矩阵转化为i行j列的形式
i为-1表示不限制行数，输出1列
|
1
2
|
a=torch.randn(3,4)
print(a)
|
输出：
tensor([[-0.8146, -0.6592, 1.5100, 0.7615],
[ 1.3021, 1.8362, -0.3590, 0.3028],
[ 0.0848, 0.7700, 1.0572, 0.6383]])
b=a.view(-1,1)
print(b)
输出：
tensor([[-0.8146],
[-0.6592],
[ 1.5100],
[ 0.7615],
[ 1.3021],
[ 1.8362],
[-0.3590],
[ 0.3028],
[ 0.0848],
[ 0.7700],
[ 1.0572],
[ 0.6383]])
i为1，j为-1表示不限制列数，输出1行
|
1
2
|
b=a.view(1,-1)
print(b)
|
输出：
tensor([[-0.8146, -0.6592, 1.5100, 0.7615, 1.3021, 1.8362, -0.3590,
0.3028, 0.0848, 0.7700, 1.0572, 0.6383]])
i为-1，j为2表示不限制行数，输出2列
|
1
2
|
b=a.view(-1,2)
print(b)
|
输出：
tensor([[-0.8146, -0.6592],
[ 1.5100, 0.7615],
[ 1.3021, 1.8362],
[-0.3590, 0.3028],
[ 0.0848, 0.7700],
[ 1.0572, 0.6383]])
i为-1，j为3表示不限制行数，输出3列
i为4，j为3表示输出4行3列
|
1
2
3
4
|
b=a.view(-1,3)
print(b)
b=a.view(4,3)
print(b)
|
输出：
tensor([[-0.8146, -0.6592, 1.5100],
[ 0.7615, 1.3021, 1.8362],
[-0.3590, 0.3028, 0.0848],
[ 0.7700, 1.0572, 0.6383]])
tensor([[-0.8146, -0.6592, 1.5100],
[ 0.7615, 1.3021, 1.8362],
[-0.3590, 0.3028, 0.0848],
[ 0.7700, 1.0572, 0.6383]])
三、
1.torch.squeeze()
压缩矩阵，我理解为降维
a.squeeze(i) 压缩第i维，如果这一维维数是1，则这一维可有可无，便可以压缩
|
1
2
3
4
5
6
7
|
import torch
a=torch.randn(1,3,4)
print(a)
b=a.squeeze(0)
print(b)
c=a.squeeze(1)
print(c
|
输出：
tensor([[[ 0.4627, 1.6447, 0.1320, 2.0946],
[-0.0080, 0.1794, 1.1898, -1.2525],
[ 0.8281, -0.8166, 1.8846, 0.9008]]])
一页三行4列的矩阵
第0维为1，则可以通过squeeze(0)删掉，转化为三行4列的矩阵
tensor([[ 0.4627, 1.6447, 0.1320, 2.0946],
[-0.0080, 0.1794, 1.1898, -1.2525],
[ 0.8281, -0.8166, 1.8846, 0.9008]])
第1维不为1，则不可以压缩
tensor([[[ 0.4627, 1.6447, 0.1320, 2.0946],
[-0.0080, 0.1794, 1.1898, -1.2525],
[ 0.8281, -0.8166, 1.8846, 0.9008]]])
2.torch.unsqueeze()
unsqueeze(i) 表示将第i维设置为1
对压缩为3行4列后的矩阵b进行操作，将第0维设置为1
|
1
2
|
c=b.unsqueeze(0)
print(c)
|
输出一个一页三行四列的矩阵
tensor([[[ 0.0661, -0.2386, -0.6610, 1.5774],
[ 1.2210, -0.1084, -0.1166, -0.2379],
[-1.0012, -0.4363, 1.0057, -1.5180]]])
将第一维设置为1
|
1
2
|
c=b.unsqueeze(1)
print(c)
|
输出一个3页，一行，4列的矩阵
tensor([[[-1.0067, -1.1477, -0.3213, -1.0633]],
[[-2.3976, 0.9857, -0.3462, -0.3648]],
[[ 1.1012, -0.4659, -0.0858, 1.6631]]])
另外，squeeze、unsqueeze操作不改变原矩阵
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服务器之家。
原文链接：https://blog.csdn.net/abc781cba/article/details/79663190