pytorch中的squeeze函数、cat函数使用

这篇文章主要介绍了pytorch中的squeeze函数、cat函数使用，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教

1 squeeze(): 去除size为1的维度，包括行和列。

至于维度大于等于2时，squeeze()不起作用。

行、例：

>>> torch.rand(4, 1, 3) (0 ,.,.) = 0.5391 0.8523 0.9260 (1 ,.,.) = 0.2507 0.9512 0.6578 (2 ,.,.) = 0.7302 0.3531 0.9442 (3 ,.,.) = 0.2689 0.4367 0.6610 [torch.FloatTensor of size 4x1x3]

>>> torch.rand(4, 1, 3).squeeze() 0.0801 0.4600 0.1799 0.0236 0.7137 0.6128 0.0242 0.3847 0.4546 0.9004 0.5018 0.4021 [torch.FloatTensor of size 4x3]

列、例：

>>> torch.rand(4, 3, 1) (0 ,.,.) = 0.7013 0.9818 0.9723 (1 ,.,.) = 0.9902 0.8354 0.3864 (2 ,.,.) = 0.4620 0.0844 0.5707 (3 ,.,.) = 0.5722 0.2494 0.5815 [torch.FloatTensor of size 4x3x1]

>>> torch.rand(4, 3, 1).squeeze() 0.8784 0.6203 0.8213 0.7238 0.5447 0.8253 0.1719 0.7830 0.1046 0.0233 0.9771 0.2278 [torch.FloatTensor of size 4x3]

不变、例：

>>> torch.rand(4, 3, 2) (0 ,.,.) = 0.6618 0.1678 0.3476 0.0329 0.1865 0.4349 (1 ,.,.) = 0.7588 0.8972 0.3339 0.8376 0.6289 0.9456 (2 ,.,.) = 0.1392 0.0320 0.0033 0.0187 0.8229 0.0005 (3 ,.,.) = 0.2327 0.6264 0.4810 0.6642 0.8625 0.6334 [torch.FloatTensor of size 4x3x2]

>>> torch.rand(4, 3, 2).squeeze() (0 ,.,.) = 0.0593 0.8910 0.9779 0.1530 0.9210 0.2248 (1 ,.,.) = 0.7938 0.9362 0.1064 0.6630 0.9321 0.0453 (2 ,.,.) = 0.0189 0.9187 0.4458 0.9925 0.9928 0.7895 (3 ,.,.) = 0.5116 0.7253 0.0132 0.6673 0.9410 0.8159 [torch.FloatTensor of size 4x3x2]

2 cat函数

>>> t1=torch.FloatTensor(torch.randn(2,3)) >>> t1 -1.9405 1.2009 0.0018 0.9463 0.4409 -1.9017 [torch.FloatTensor of size 2x3]

>>> t2=torch.FloatTensor(torch.randn(2,2)) >>> t2 0.0942 0.1581 1.1621 1.2617 [torch.FloatTensor of size 2x2]

>>> torch.cat((t1, t2), 1) -1.9405 1.2009 0.0018 0.0942 0.1581 0.9463 0.4409 -1.9017 1.1621 1.2617 [torch.FloatTensor of size 2x5]

补充：pytorch中 max()、view()、 squeeze()、 unsqueeze()

查了好多博客都似懂非懂，后来写了几个小例子，瞬间一目了然。

一、torch.max()

import torch a=torch.randn(3) print("a:n",a) print('max(a):',torch.max(a)) b=torch.randn(3,4) print("b:n",b) print('max(b,0):',torch.max(b,0)) print('max(b,1):',torch.max(b,1))

输出：

a:

tensor([ 0.9558, 1.1242, 1.9503])

max(a): tensor(1.9503)

b:

tensor([[ 0.2765, 0.0726, -0.7753, 1.5334],

[ 0.0201, -0.0005, 0.2616, -1.1912],

[-0.6225, 0.6477, 0.8259, 0.3526]])

max(b,0): (tensor([ 0.2765, 0.6477, 0.8259, 1.5334]), tensor([ 0, 2, 2, 0]))

max(b,1): (tensor([ 1.5334, 0.2616, 0.8259]), tensor([ 3, 2, 2]))

max(a),用于一维数据，求出最大值。

max(a,0),计算出数据中一列的最大值，并输出最大值所在的行号。

max(a,1),计算出数据中一行的最大值，并输出最大值所在的列号。

print('max(b,1):',torch.max(b,1)[1])

输出：只输出行最大值所在的列号

max(b,1): tensor([ 3, 2, 2])

torch.max(b,1)[0]， 只返回最大值的每个数

二、view()

a.view(i,j)表示将原矩阵转化为i行j列的形式

i为-1表示不限制行数，输出1列

a=torch.randn(3,4) print(a)

输出：

tensor([[-0.8146, -0.6592, 1.5100, 0.7615],

[ 1.3021, 1.8362, -0.3590, 0.3028],

[ 0.0848, 0.7700, 1.0572, 0.6383]])

b=a.view(-1,1)

print(b)

输出：

tensor([[-0.8146],

[-0.6592],

[ 1.5100],

[ 0.7615],

[ 1.3021],

[ 1.8362],

[-0.3590],

[ 0.3028],

[ 0.0848],

[ 0.7700],

[ 1.0572],

[ 0.6383]])

i为1，j为-1表示不限制列数，输出1行

b=a.view(1,-1) print(b)

输出：

tensor([[-0.8146, -0.6592, 1.5100, 0.7615, 1.3021, 1.8362, -0.3590,

0.3028, 0.0848, 0.7700, 1.0572, 0.6383]])

i为-1，j为2表示不限制行数，输出2列

b=a.view(-1,2) print(b)

输出：

tensor([[-0.8146, -0.6592],

[ 1.5100, 0.7615],

[ 1.3021, 1.8362],

[-0.3590, 0.3028],

[ 0.0848, 0.7700],

[ 1.0572, 0.6383]])

i为-1，j为3表示不限制行数，输出3列

i为4，j为3表示输出4行3列

b=a.view(-1,3) print(b) b=a.view(4,3) print(b)

输出：

tensor([[-0.8146, -0.6592, 1.5100],

[ 0.7615, 1.3021, 1.8362],

[-0.3590, 0.3028, 0.0848],

[ 0.7700, 1.0572, 0.6383]])

tensor([[-0.8146, -0.6592, 1.5100],

[ 0.7615, 1.3021, 1.8362],

[-0.3590, 0.3028, 0.0848],

[ 0.7700, 1.0572, 0.6383]])

三、

1.torch.squeeze()

压缩矩阵，我理解为降维

a.squeeze(i) 压缩第i维，如果这一维维数是1，则这一维可有可无，便可以压缩

import torch a=torch.randn(1,3,4) print(a) b=a.squeeze(0) print(b) c=a.squeeze(1) print(c

输出：

tensor([[[ 0.4627, 1.6447, 0.1320, 2.0946],

[-0.0080, 0.1794, 1.1898, -1.2525],

[ 0.8281, -0.8166, 1.8846, 0.9008]]])

一页三行4列的矩阵

第0维为1，则可以通过squeeze(0)删掉，转化为三行4列的矩阵

tensor([[ 0.4627, 1.6447, 0.1320, 2.0946],

[-0.0080, 0.1794, 1.1898, -1.2525],

[ 0.8281, -0.8166, 1.8846, 0.9008]])

第1维不为1，则不可以压缩

tensor([[[ 0.4627, 1.6447, 0.1320, 2.0946],

[-0.0080, 0.1794, 1.1898, -1.2525],

[ 0.8281, -0.8166, 1.8846, 0.9008]]])

2.torch.unsqueeze()

unsqueeze(i) 表示将第i维设置为1

对压缩为3行4列后的矩阵b进行操作，将第0维设置为1

c=b.unsqueeze(0) print(c)

输出一个一页三行四列的矩阵

tensor([[[ 0.0661, -0.2386, -0.6610, 1.5774],

[ 1.2210, -0.1084, -0.1166, -0.2379],

[-1.0012, -0.4363, 1.0057, -1.5180]]])

将第一维设置为1

c=b.unsqueeze(1) print(c)

输出一个3页，一行，4列的矩阵

tensor([[[-1.0067, -1.1477, -0.3213, -1.0633]],

[[-2.3976, 0.9857, -0.3462, -0.3648]],

[[ 1.1012, -0.4659, -0.0858, 1.6631]]])

另外，squeeze、unsqueeze操作不改变原矩阵

以上为个人经验，希望能给大家一个参考，也希望大家多多支持编程之家。