torch.unsqueeze() squeeze() expand() repeat()用法及比较

1. torch.unsqueeze()

torch.unsqueeze(input, dim, out=None)

• 作用：扩展维度，返回一个新的张量，对输入的既定位置插入维度 1
• 注意： 返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
  如果dim为负，则将会被转化dim+input.dim()+1
• 参数:
  tensor (Tensor) – 输入张量
  dim (int) – 插入维度的索引
  out (Tensor, optional) – 结果张量

2. torch.squeeze()

torch.squeeze(input, dim=None, out=None)

• 作用：降维，将输入张量形状中的1 去除并返回。 如果输入是形如(A×1×B×1×C×1×D)，那么输出形状就为： (A×B×C×D)
  当给定dim时，那么挤压操作只在给定维度上。例如，输入形状为: (A×1×B), squeeze(input, 0) 将会保持张量不变，只有用 squeeze(input, 1)，形状会变成 (A×B)。
• 注意： 返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
• 参数:
  input (Tensor) – 输入张量
  dim (int, optional) – 如果给定，则input只会在给定维度挤压
  out (Tensor, optional) – 输出张量

3. torch.expand()

• 作用： expand()函数可以将张量广播到新的形状。
• 注意： 只能对维度值为1的维度进行扩展，且扩展的Tensor不会分配新的内存，只是原来的基础上创建新的视图并返回；无需扩展的维度维度值不变，维度为-1即不变。

4. torch.repeat()

• 作用：和expand()作用类似，均是将tensor广播到新的形状。
• 注意：不允许使用维度-1，1即为不变。

以下为具体函数用法示例。

a = torch.rand((2,1,3,1))
# torch.Size([2,1,3,1])
b = torch.unsqueeze(a, 1)
# torch.Size([2,1,1,3,1])
c = torch.unsqueeze(a, 0)
# torch.Size([1,2,1,3,1])
d = torch.unsqueeze(a, -1)
# torch.Size([2,1,3,1,1])
e = a.torch.expand((2,3,3,2))
# torch.Size([2,3,3,2])
f = a.torch.expand((2,-1,3,2))
# torch.Size([2,1,3,2])
g = a.torch.repeat((1,1,1,2))
# torch.Size([2,1,3,2])
h = torch.squeeze(a)
# torch.Size([2,3])
i = torch.squeeze(a, 0)
# torch.Size([2,1,3,1])
j = torch.squeeze(a, 1)
# torch.Size([2,3,1])