如何在pytorch中使用squeeze和cat函数

今天就跟大家聊聊有关如何在PyTorch中使用squeeze和cat函数，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。

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

pytorch的优点

1.PyTorch是相当简洁且高效快速的框架；2.设计追求最少的封装；3.设计符合人类思维，它让用户尽可能地专注于实现自己的想法；4.与Google的Tensorflow类似，FaiR的支持足以确保PyTorch获得持续的开发更新；5.PyTorch作者亲自维护的论坛 供用户交流和求教问题6.入门简单

看完上述内容，你们对如何在pytorch中使用squeeze和cat函数有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注编程网精选频道，感谢大家的支持。