deeplizard.com/learn/video/AglLTlms7HU目录一、数据类型变换（一）其他类型转换为Tensor类型（二）Tensor类型转换为其他类型二、获取Tensor的shape三、squeeze和unsqueeze

tensor定义未初始化数据的张量arange方法生成tensor四、Numpy数据转换tensor转numpy格式numpy转tensor格式五、tenso运算操作加法减法乘法除法六、tensor维度变换unsqueeze

tensor.unsqueeze为tenor添加维度a=torch.rand((1,3,5),dtype=torch.float32)print("ashapeis",a.size())b=a.unsqueeze

SIGMOID_CROSS_ENTROPY简介神经网络优化器讲解神经网络中的优化器(tensorflow2.0)PyTorch：torch.nonzero——非零元素的定位【学习笔记】pytorch中squeeze与unsqueeze

在炼丹日常，很多模型为了保持tensor的计算便利和维度统一（例如resnet）会涉及到很多的维度转换，这时候很容易就绕晕，在参加飞浆的transformer课程中，学习了很多灵活变化维度的方法，这些方法能够让我们减少相当一部分的维度转换的复杂度。下面逐个介绍常用的维度转换方法：reshape方法：维度重整简单的reshape方法我们就不进行介绍，主要介绍reshape中-1的灵活运用，我们可以轻

torch.squeeze()这个函数主要对数据的维度进行压缩，去掉维数为1的的维度，比如是一行或者一列这种，一个一行三列（1,3）的数去掉第一个维数为一的维度之后就变成（3）行。squeeze(a)就是将a中所有为1的维度删掉。不为1的维度没有影响。a.squeeze(N)就是去掉a中指定的维数为一的维度。还有一种形式就是b=torch.squeeze(a，N)a中去掉指定的定的维数为一的维度。

但是我们可以用squeeze（）和unsqueeze（）对其进行操作，比如：在对这两个函数讲解之前，我们先统一一下定义:In:x.shapeOut

importtorchimporttensorflowastfimportnumpyasnp#tf.expand_dims(input,axis=1)tf.squeeze(input,axis=1)#torch.tensor.unsqueeze

tensor添加维度data=images.unsqueeze(1)squeeze()压缩unsqueeze()扩展参数index->1表示在第1维度之后插入0表示在第0维度之后插入，即最前面插入

给tensor增加一维b=a.unsqueeze(0)importtorcha=torch.randn(3,200,200)b=a.unsqueeze(0)print(a.shape)print(b.shape

仅作为记录，大佬请跳过是.unsqueeze(0)增加维度（0表示，在第一个位置增加维度）传送门

torch.repeat()【PyTorch】repeat_interleave()方法详解PyTorch中Tensor的复制tensor.repeat()和repeat_interleave()区别2.unsqueeze

代码如下：1.这个unsqueeze函数主要增加了一个维度2.Python中类的定义方式：（这一块不是很理解）回头看一下python类的定义。

简单粗暴，看一下两个函数的用法：1.unsqueeze():从tensor（torch）或者数组中，在指定维度上添加维度为1的维度（axis=0,axis=1,axis=2,…）以pytorch为例，首先初始化一个

importtorchimporttorch.utils.dataasDataimporttorch.nn.functionalasFimportmatplotlib.pyplotasplt#超参数LR=0.01BATCH_SIZE=32EPOCH=122.生成数据#生成训练数据#torch.unsqueeze

一、维度拼接之torch.cat()与torch.stack()二、维度变化之torch.view()三、torch.resize_四、torch.reshape五、维度增加之torch.unsqueeze

cuda"iftorch.cuda.is_available()else"cpu")print(device)a=torch.tensor([1,2,3],dtype=torch.int).to(device)b=a.unsqueeze

view改变维度a=torch.arange(0,6)#[[0,1,2],[3,4,5]]a=a.view(2,3)unsqueeze#a=[[0,1,2],[3,4,5]]#在第1维增加维度下表从0开始

torch版本的匹配问题，低版本的gpu驱动，尝试换成11.0以下的cuda版本；高版本的驱动，可以换成11.0以上的cuda版本；参考链接：Vertices=torch.matmul(vertices.unsqueeze

output=torch.unsqueeze(input,dim=0)dim=0在0维度加一个维度importtorchx=torch.tensor([[1,2,3],[4,5,6]])print(x)

#view()转换维度#reshape()转换维度#permute()坐标系变换#squeeze()/unsqueeze()降维/升维#expand()扩张张量#narraw()缩小张量#resize_

1.unqueeze-指定dim添加一个维度importtorch#创建一个3X3的tensora=torch.tensor([[1,2,3],[4,5,6],[7,8,9]])a.shapetorch.Size([3,3])#dim的范围在[-input.dim()-1,input.dim()+1),左闭右开区间，如果dim是负数，dim=dim+input.dim()+1.b0=a.unsqu

squeeze下文是根据官方文档的定义给出的代码解释torch.squeeze(input,dim=None)→Tensor不传入dim不传尺寸时候，返回一个张量，其中删除了大小为1的输入的所有维度。例如，如果输入的形状为：（A×1×B×C×1×D）则输出张量的形状为（A×B×C×D）代码演示importtorcha=torch.tensor([[[1],[2]],[[3],[4]]])b=tor

importtorchdefeuclidean_dist(x,y):#x:NxD#y:MxDn=x.size(0)m=y.size(0)d=x.size(1)assertd==y.size(1)x=x.unsqueeze

unsqueeze1、升维2、用None来实现1、升维unsqueeze用来改变Tensor的维度，把低维的Tensor变为高维的Tensor。

2021李宏毅机器学习（2）：PyTorch1基础内容1.1产生tensor1.2squeeze压缩维度1.3unsqueeze展出维度1.4transpose转置1.5cat指定dimension连接多个

矩阵NumpyTensora.size\矩阵元素数量a.shapea.shape形状大小属性操作NumpyTensornp.expand_dims(a,axis=1)a.unsqueeze(1)升维np.squeeze

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

1.4Tensor的索引与变形1.4.1索引1.4.2变形操作一：view()、resize()、reshape()函数操作二：transpose()和permute()函数操作三：squeeze()和unsqueeze

内存共享和内存连续API介绍2、内存连续性2.1.维度变换操作(transpose,permute)2.2.view和reshape2.3.维度拼接：cat和stackop2.4.squeeze()和unsqueeze

文章目录重塑维度reshape/view增加/减少维度unsqueeze/squeeze交换维度transpose/permute将维度扩充Expand/repeat/broadcasttranspose

目录类的参数定义数据扩展类的参数定义将conda环境设置为ai，condaactivateai这个文件的由来：由于在yolov1的pytorch实现的损失函数中，看到继承了nn.Module，并且其中两个参数不像c++那里指定类型，那么他们的类型是哪里来的这里就是在探索这样一件事操作逻辑：先在类中定义了构造函数以及一个自定义函数；构造函数定义了属性S、B，自定义函数引入两个参数，对两个参数进行调用

类的参数定义将conda环境设置为ai，condaactivateai这个文件的由来：由于在yolov1的pytorch实现的损失函数中，看到继承了nn.Module，并且其中两个参数不像c++那里指定类型，那么他们的类型是哪里来的这里就是在探索这样一件事操作逻辑：先在类中定义了构造函数以及一个自定义函数；构造函数定义了属性S、B，自定义函数引入两个参数，对两个参数进行调用这里就说明参数的结构是怎

#建立数据:拟合y=x^2曲线x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)#xdata(ten

importtorchx=torch.unsqueeze(torch.linspace(-5,5,100000),dim=1)y=x.pow(2)+2*torch.rand(x.size())test_x

importtorchfromtorch.autogradimportVariableimporttorch.nn.functionalasFimportmatplotlib.pyplotaspltx=torch.unsqueeze

1数据处理用linspace()函数产生[-3,3)区间内的100000个点，并使用unsqueeze()函数在第一维处增加一个维度！

维度扩展x.unsqueeze(n)在n号位置添加一个维度例子：importtorchx=torch.rand(3,2)x1=x.unsqueeze(0)#在第一维的位置添加一个维度x2=x.unsqueeze

的有关操作1.np.nonzero()2.np.hstack()和np.vstack()3.np.concatenate()二、Pytorch的有关操作1.torch.tensor()2.torch.unsqueeze

1）首先我们先加载数据：importtorchimporttorch.nn.functionalasF#回归问题x=torch.unsqueeze(torch.linspace(-1,1,100),dim

文章目录一、squeeze（）二、unsqueeze（）一、squeeze（）先来看看官方的Docs,链接在这里：torch.squeeze—PyTorchmasterdocumentation这个函数就是返回一个张量

函数和pytorch函数之间的转换tensorflowpytrochtf.reshape(input,shape)input.view()tf.expand_dims(input,dim)input.unsqueeze

tensor.view()方法四、张量的分片函数1、分块：chunk函数2、拆分：split函数四、张量的合并操作1、cat2、stack堆叠六、张量维度变换1、squeeze函数：删除不必要的维度2、unsqueeze

Tensor2.1importformnumpy2.2importfromlist2.3uninitialized2.4setdefaulttype2.5randn2.6linspace/logspace3.维度变换3.1Viewreshape保证numel()一致即可3.2unsqueeze3.3

文章目录1.torch.squeeze2.torch.unsqueeze3.给一个使用上述两个函数，并进行一次卷积的例子附上官网地址：https://pytorch.org/docs/stable/index.html1

目录1.torch.squeeze2.torch.unsqueeze3.例子附上官网地址：https://pytorch.org/docs/stable/index.html1.torch.squeezesqueeze

一、理解tensor的维度TensorFlow对张量的阶、维度、形状有着明确的定义，而在pytorh中对其的定义却模糊不清，仅仅有一个torch.size()的函数来查看张量的大小（我理解的这个大小指的就是TensorFlow对张量的形状描述，也和numpy的.shape类似）。所以，首先要搞清楚如何看一个张量的形状。importtorchz=torch.ones(2,3,4)print(z)pr

1.1torch.unsqueeze(self:Tensor,dim:_int)torch.unsqueeze(self:Tensor,dim:_i

而在实际操作张量进行计算时，往往需要另外进行降维和升维的操作，当我们需要除去不必要的维度时，可以使用squeeze函数，而需要手动升维时，则可采用unsqueeze函数。

tensor.squeeze(dim)作用:如果dim指定的维度的值为1，则将该维度删除，若指定的维度值不为1，则返回原来的tensor例子：x=torch.rand(2,1,3)print(x)print(x.squeeze(1))print(x.squeeze(2))输出：tensor([[[0.7031,0.7173,0.0606]],[[0.6884,0.4072,0.0516]]])te