学习总结
一、应用场景
栗子：torch.nn只支持小批量处理 (mini-batches）。整个 torch.nn 包只支持小批量样本的输入，不支持单个样本的输入。比如，nn.Conv2d 接受一个4维的张量，即nSamples x nChannels x Height x Width，如果是一个单独的样本，只需要使用input.unsqueeze(0) 来添加一个“假的”批大小维度。
PS：pytorch中，处理图片必须一个batch一个batch的操作，所以我们要准备的数据的格式是 [batch_size, n_channels, hight, width]。
二、升维和降维
降维：squeeze(input, dim = None, out = None)函数
（1）在不指定dim时，张量中形状为1的所有维都会除去。如input为（A, 1, B, 1, C, 1, D），output为（A, B, C, D）。
（2）如果要指定dim，降维操作只能在给定的维度上，如input为（A, 1, B）时：
错误用法：squeeze(input, dim = 0)会发现shape没变化，如下：
d = torch.randn(4, 1, 3) print("d：", d) # 没有变化 d1 = torch.squeeze(d, dim = 0) # 还是[4, 1, 3] print("d1和d1的shape:", d1, d1.shape) # dim=1处维除去 d2 = torch.squeeze(d, dim = 1) # 变成torch.Size([4, 3]) print("d2和d2的shape:", d2, d2.shape)
结果为：
d： tensor([[[ 1.8679, -0.9913, -2.6257]], [[-0.1690, -0.9938, 1.1178]], [[-1.2449, 2.5249, 2.2579]], [[ 0.2890, -0.5222, -0.2853]]]) d1和d1的shape: tensor([[[ 1.8679, -0.9913, -2.6257]], [[-0.1690, -0.9938, 1.1178]], [[-1.2449, 2.5249, 2.2579]], [[ 0.2890, -0.5222, -0.2853]]]) torch.Size([4, 1, 3]) d2和d2的shape: tensor([[ 1.8679, -0.9913, -2.6257], [-0.1690, -0.9938, 1.1178], [-1.2449, 2.5249, 2.2579], [ 0.2890, -0.5222, -0.2853]]) torch.Size([4, 3])
torch.unsqueeze有两种写法：
# -*- coding: utf-8 -*- """ Created on Fri Nov 26 20:08:58 2021 @author: 86493 """ import torch a = torch.tensor([1, 2, 3, 4]) print("a的shape：", a.shape) # 将a的第一维升高 b = torch.unsqueeze(a, dim = 0) # b = a.unsqueeze(dim = 0) # 和上面的写法等价 print("b和b的shape：", b, b.shape) # 对b降维，去掉所有形状中为1的维 c = b.squeeze() print("c和c的shape:", c, c.shape)
结果为如下，即对第一维度升高后，b从a =【4】变为b=【【1， 2， 3，4】】：
a的shape： torch.Size([4]) b和b的shape： tensor([[1, 2, 3, 4]]) torch.Size([1, 4]) c和c的shape: tensor([1, 2, 3, 4]) torch.Size([4])
