一. torch.squeeze()函数解析
1. 官网链接
torch.squeeze()，如下图所示：
2. torch.squeeze()函数解析
torch.squeeze(input, dim=None, out=None)
squeeze()函数的功能是维度压缩。返回一个tensor（张量），其中 input 中维度大小为1的所有维都已删除。
举个例子：如果 input 的形状为 (A×1×B×C×1×D)，那么返回的tensor的形状则为 (A×B×C×D)
当给定 dim 时，那么只在给定的维度（dimension）上进行压缩操作，注意给定的维度大小必须是1，否则不能进行压缩。
举个例子：如果 input 的形状为 (A×1×B)，squeeze(input, dim=0)后，返回的tensor不变，因为第0维的大小为A，不是1；squeeze(input, 1)后，返回的tensor将被压缩为 (A×B)。
3. 代码举例
3.1 输入size=(2, 1, 2, 1, 2)的张量
x = torch.randn(size=(2, 1, 2, 1, 2))
x.shape
输出结果如下：
torch.Size([2, 1, 2, 1, 2])
3.2 把x中维度大小为1的所有维都已删除
y = torch.squeeze(x)#表示把x中维度大小为1的所有维都已删除
y.shape
输出结果如下：
torch.Size([2, 2, 2])
3.3 把x中第一维删除，但是第一维大小为2，不为1，因此结果删除不掉
y = torch.squeeze(x,0)#表示把x中第一维删除，但是第一维大小为2，不为1，因此结果删除不掉
y.shape
输出结果如下：
torch.Size([2, 1, 2, 1, 2])
3.4 把x中第二维删除，因为第二维大小是1，因此可以删掉
y = torch.squeeze(x,1)#表示把x中第二维删除，因为第二维大小是1，因此可以删掉
y.shape
输出结果如下：
torch.Size([2, 2, 1, 2])
3.5 把x中最后一维删除，但是最后一维大小为2，不为1，因此结果删除不掉
y = torch.squeeze(x,dim=-1)#表示把x中最后一维删除，但是最后一维大小为2，不为1，因此结果删除不掉
y.shape
输出结果如下：
torch.Size([2, 1, 2, 1, 2])
二.torch.unsqueeze()函数解析
1. 官网链接
torch.unsqueeze()，如下图所示：
2. torch.unsqueeze()函数解析
torch.unsqueeze(input, dim) → Tensor
unsqueeze()函数起升维的作用,参数dim表示在哪个地方加一个维度，注意dim范围在:[-input.dim() - 1, input.dim() + 1]之间，比如输入input是一维，则dim=0时数据为行方向扩，dim=1时为列方向扩，再大错误。
3. 代码举例
3.1 输入一维张量，在第0维(行)扩展，第0维大小为1
x = torch.tensor([1, 2, 3, 4])
y = torch.unsqueeze(x, 0)#在第0维扩展，第0维大小为1
y,y.shape
输出结果如下：
(tensor([[1, 2, 3, 4]]), torch.Size([1, 4]))
3.2 在第1维(列)扩展，第1维大小为1
y = torch.unsqueeze(x, 1)#在第1维扩展，第1维大小为1
y,y.shape
输出结果如下：
(tensor([[1],
[2],
[3],
[4]]),
torch.Size([4, 1]))
3.3 在第最后一维（也就是倒数第一维进行）扩展，最后一维大小为1
y = torch.unsqueeze(x, -1)#在第最后一维扩展，最后一维大小为1
y,y.shape
输出结果如下：
(tensor([[1],
[2],
[3],
[4]]),
torch.Size([4, 1]))
参考知识文章