一、建立一个二维tensor
import torch as t a = t.arange(0,6) b = a.view(2,3) print(b)
二、对上步建立的二维tensor使用unsqueeze(x)函数操作（x若是正数表示在第x维上增加一维，若是负数表示在倒数第x维上增加一维，注意tensor维度的下标从0开始，倒数下标从-1开始，并且此增加维的维度为1）
2.1 x为正数
import torch as t a = t.arange(0,6) b = a.view(2,3) print(b.size()) b = t.unsqueeze(b,1) # unsqueeze函数操作，在第一维上增加“1” print(b.size())
2.2 x为负数
import torch as t a = t.arange(0,6) b = a.view(2,3) print(b.size()) b = t.unsqueeze(b,-1) # unsqueeze函数操作，在倒数第一维上增加“1” print(b.size())
三、对第一步建立的二维tensor使用squeeze(x)函数操作（x若为正数表示压缩第x维的“1”，若是负数表示压缩倒数第x维的“1”，若为null则压缩所有维的“1”，若第x维的维度不为“1”就无变化不能压缩，注意tensor维度的下标从0开始，倒数下标从-1开始）
3.1 x为正数
import torch as t a = t.arange(0,6) b = a.view(1,1,2,3,1) print(b.size()) b = t.squeeze(b,1) # squeeze函数操作，在压缩第一维的“1” print(b.size())
3.2 x为负数
import torch as t a = t.arange(0,6) b = a.view(1,1,2,3,1) print(b.size()) b = t.squeeze(b,-1) # squeeze函数操作，压缩倒数第一维的“1” print(b.size())
3.3 x为null（空）
import torch as t a = t.arange(0,6) b = a.view(1,1,2,3,1) print(b.size()) b = t.squeeze(b) # squeeze函数操作，压缩所有维度为“1”的维 print(b.size())
3.4 x维的维度不等于“1”
import torch as t a = t.arange(0,6) b = a.view(1,1,2,3,1) print(b.size()) b = t.squeeze(b,3) # squeeze函数操作，第3维的维度是“3”，不是“1”，所以不能压缩无变化 print(b.size())
四、多维具体理解分析（以三维为例）
4.1 二维变成三维的代码
import torch as t a = t.arange(0,6) b = a.view(3,2) print(b) b = t.unsqueeze(b,1) print(b)
4.2 代码运行输出结果
4.3 结果理解分析
tensor([[0, 1], [2, 3], [4, 5]]) tensor([[[0, 1]], [[2, 3]], [[4, 5]]])
原本tensor是[3,2]也就是三行两列，在使用unsqueeze函数后增加第一维的维度为“1”，也就变成了[3，1，2]也就是312变成三维tensor，上面的结果对应312的理解是tensor()里面第一层[ ]中有三行，并且用逗号隔开对应“3”，第一层[ [ ] , [ ] , [ ] ]里面的每个分开的[ ]也就是第二层[ ]里面是只有一行，因为只有一行就没有用逗号隔开对应“1”，第二层[ ]里面的[ ]也就是第三层[ ]里面有两列也就是两个元素对应“2”。
4.4 tensor维度的直接显示
import torch as t a = t.arange(0,6) b = a.view(3,2) print(b) b = t.unsqueeze(b,1) print(b) print(b.size()) # 直接输出显示tensor维度，对应下面图片中的红框部分
