torch.unsqueeze || torch.size()和tensor.shape的区别

output=torch.unsqueeze(input,dim=0) dim = 0 在0维度加一个维度

import torch
x=torch.tensor([[1,2,3],[4,5,6]])
print(x)
print(x.shape)
y=torch.unsqueeze(x,dim=0)
print(y)
print(y.shape)

>>>
tensor([[1, 2, 3],
        [4, 5, 6]])
torch.Size([2, 3])
tensor([[[1, 2, 3],
         [4, 5, 6]]])
torch.Size([1, 2, 3])

总结：
torch.unsqueeze()函数的作用增加数组A指定位置N的维度，例如两行三列的数组A维度为(2，3)，那么这个数组就有三个位置可以增加维度，分别是（ [位置0] 2，[位置1] 3 [位置2] ）或者是 （ [位置-3] 2，[位置-2] 3 [位置-1] ），如果执行 torch.unsqueeze(A，1)，数据的维度就变为了 （2，1，3）

---

torch.squeeze(A，N)

torch.unsqueeze()函数的作用减少数组A指定位置N的维度，如果不指定位置参数N，如果数组A的维度为（1，1，3）那么执行 torch.squeeze(A，1) 后A的维度变为 （1，3），中间的维度被删除

注：

1. 如果指定的维度大于1，那么将操作无效
2. 如果不指定维度N，那么将删除所有维度为1的维度

---

---

shape和size的区别

shape和size没有什么明显的区别。根本上的区别是什么？

shape

shape是一个Tensor类中的属性，因为我们用tensor函数创建张量的时候（注意tensor是一个函数，Tensor是一个类），用到了Tensor类，然后创建的实例就可以使用Tensor中的属性

size

size是Tensor从上面的类中继承来的一个方法(不必纠结这个)中的一个方法。