Pytorch Tensor 维度的扩充和压缩

维度扩展

x.unsqueeze(n)

在 n 号位置添加一个维度

例子：

import torch

x = torch.rand(3,2)
x1 = x.unsqueeze(0)             # 在第一维的位置添加一个维度
x2 = x.unsqueeze(1)             # 在第二维的位置添加一个维度
x3 = x.unsqueeze(2)             # 在第三维的位置添加一个维度
print(x1.shape)         
print(x2.shape)
print(x3.shape)
>> torch.Size([1, 3, 2])
>> torch.Size([3, 1, 2])
>> torch.Size([3, 2, 1])

由上面的例子可见，tensor.unsqueeze(n) 可以很方便的为tensor添加一个维度，那么是不是可以在tensor的任意维度上添加一个维度呢，答案是否定的，即参数 n 存在范围，n 位于 [-(dim+1), dim]; 其中 dim为tensor的维度的个数，比如在上例中，tensor x 的dim = 2， 即在上例中 n 不位于 [-3, 2] 时会报错。如下：

import torch

x = torch.rand(3,2)
x1 = x.unsqueeze(3)             
x2 = x.unsqueeze(-4)            
print(x1.shape)         
print(x2.shape)
>> IndexError: Dimension out of range (expected to be in range of [-3, 2], but got 3)
>> IndexError: Dimension out of range (expected to be in range of [-3, 2], but got -4)

没错，n 的值还能是负数，其负数表示的是在从右往左的 |n| 的维数上增加一维，例：

import torch

x = torch.rand(3,2)
x1 = x.unsqueeze(-1)    
x2 = x.unsqueeze(-2)
print(x1.shape)
print(x2.shape)
>> torch.Size([3, 2, 1])
>> torch.Size([3, 1, 2])

此外还有一种语法的变体torch.unsqueeze(x,n) , 作用同 x.unsqueeze(n)，都表示在第n位的位置添加1维，只不过语法稍有区别。

维度压缩

x.squeeze(n)

对 第 n 维 的位置进行维度压缩，如果该位置的维度值为1 ，则压缩，否则不进行任何操作。而当不设置 参数 n 时 即：x.squeeze() ,则对tensor x 的所有维度值为1的维度进行压缩，而其余不为1 的维度不进行处理。如下：

import torch

x = torch.rand(3,2,1)
x1 = x.squeeze(2)               # n号位置上的维度为1。 压缩
x2 = x.squeeze(1)               # n号位置上的维度不为1。 不处理
x3 = x.unsqueeze(0)
x3 = x3.squeeze()               # 对tensor x3 的所有维度为1的维度压缩
>> torch.Size([3, 2])
>> torch.Size([3, 2, 1])
>> torch.Size([3, 2])

同样的，与 unsqueeze() 一样，squeeze(n) 的 参数 n 一样存在范围，且均为 [-(dim+1), dim]; 其中 dim为tensor的维度的个数，在上例中，tensor x 的dim = 2。当n超过这个范围时就会报错。如下：

import torch

x = torch.rand(3,2,1)
x1 = x.squeeze(4)
print(x1)
>> IndexError: Dimension out of range (expected to be in range of [-3, 2], but got 4)

也同样的，此外还有一种语法的变体torch.squeeze(x,n) , 作用同 x.squeeze(n)，都表示在第n位的位置压缩维度（如果该位置维度为1），只不过语法稍有区别。

Tips -- .size() 和 .shape 的异同

同：两者都可以获得tensor的维度大小：

import torch

x = torch.rand(3,2,1)
print(x.shape)
print(x.size())

>> torch.Size([3, 2, 1])
>> torch.Size([3, 2, 1])

异： shape 是一个Tensor类中的属性，作为Tensor类的实例可以直接通过 . 的方式获得shape属性，即获得tensor的维度的大小；

size() 是 Tensor类继承来的无参方法，所以其要带小括号，Tensor类的实例也可以调用类的成员方法。

另外，在 python 的库 numpy 中，size和shape 是numpy中的函数，size()计算矩阵中所有元素的个数；shape()返回矩阵的维度值。如下：

import numpy as np

x = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(np.shape(x))
print(np.size(x))
print(x.shape[0])       # 显示矩阵的行数
>> (3, 3)
>> 9
>> 3