原文：https://www.jianshu.com/p/e0ddfcf2e72d
和numpy等库函数中的squeeze()函数作用一样，torch.squeeze()函数的作用是压缩一个tensor的维数为1的维度，使该tensor降维变成最紧凑的形式：
1 In [1]: import numpy as np 2 3 In [2]: import torch 4 5 In [3]: a = torch.arange(9).view(3,1,3) 6 7 In [4]: a 8 Out[4]: 9 tensor([[[0, 1, 2]], 10 11 [[3, 4, 5]], 12 13 [[6, 7, 8]]]) 14 15 In [5]: a.size() 16 Out[5]: torch.Size([3, 1, 3]) 17 18 In [6]: a.dim() 19 Out[6]: 3 20 21 In [7]: b = torch.squeeze(a) 22 23 In [8]: b 24 Out[8]: 25 tensor([[0, 1, 2], 26 [3, 4, 5], 27 [6, 7, 8]]) 28 29 In [9]: b.size() 30 Out[9]: torch.Size([3, 3]) 31 32 In [10]: b.dim() 33 Out[10]: 2
同样numpy中功能一样：
1 In [11]: c = np.arange(9).reshape(1,3,1,3) 2 3 In [12]: c 4 Out[12]: 5 array([[[[0, 1, 2]], 6 7 [[3, 4, 5]], 8 9 [[6, 7, 8]]]]) 10 11 In [13]: c.shape, c.ndim 12 Out[13]: ((1, 3, 1, 3), 4) 13 14 In [14]: d = np.squeeze(c) 15 16 In [15]: d 17 Out[15]: 18 array([[0, 1, 2], 19 [3, 4, 5], 20 [6, 7, 8]]) 21 22 In [16]: d.shape, d.ndim 23 Out[16]: ((3, 3), 2)
unsqueeze()函数的功能是在tensor的某个维度上添加一个维数为1的维度，这个功能用view()函数也可以实现。这一功能尤其在神经网络输入单个样本时很有用，由于pytorch神经网络要求的输入都是mini-batch型的，维度为[batch_size, channels, w, h]，而一个样本的维度为[c, w, h]，此时用unsqueeze()增加一个维度变为[1, c, w, h]就很方便了。
1 In [17]: b 2 Out[17]: 3 tensor([[0, 1, 2], 4 [3, 4, 5], 5 [6, 7, 8]]) 6 7 In [18]: b.size(), b.dim() 8 Out[18]: (torch.Size([3, 3]), 2) 9 10 In [20]: b_un = torch.unsqueeze(b, 0) 11 12 In [21]: b_un 13 Out[21]: 14 tensor([[[0, 1, 2], 15 [3, 4, 5], 16 [6, 7, 8]]]) 17 18 In [22]: b_un.size(), b_un.dim() 19 Out[22]: (torch.Size([1, 3, 3]), 3) 20 21 In [23]: b_un_un = torch.unsqueeze(b_un, 3) 22 23 In [24]: b_un_un 24 Out[24]: 25 tensor([[[[0], 26 [1], 27 [2]], 28 29 [[3], 30 [4], 31 [5]], 32 33 [[6], 34 [7], 35 [8]]]]) 36 37 In [25]: b_un_un.size(), b_un_un.dim() 38 Out[25]: (torch.Size([1, 3, 3, 1]), 4)
torch.squeeze()和torch.unsqueeze()
原文：https://www.cnblogs.com/KAKAFEIcoffee/p/11963989.html