在 PyTorch 里，unsqueeze(-1) 是一个常用的张量操作，其作用是在张量的最后一个维度上增添一个维度。下面为你详细介绍这个操作：

基本概念

unsqueeze(dim) 会在指定的 dim 维度处插入一个维度，新维度的大小为 1。而 unsqueeze(-1) 里的 -1 代表最后一个维度，所以它会在张量的最后面添加一个维度。

示例讲解

下面通过几个具体例子来直观理解 unsqueeze(-1) 的效果：

示例 1：对一维张量进行操作

python

运行

import torch

# 创建一个一维张量
x = torch.tensor([1, 2, 3])
print("原始张量形状:", x.shape)  # 输出: torch.Size([3])

# 在最后一个维度上增加一个维度
y = x.unsqueeze(-1)
print("操作后张量形状:", y.shape)  # 输出: torch.Size([3, 1])
print(y)
# 输出:
# tensor([[1],
#         [2],
#         [3]])

在这个例子中，原本形状为 [3] 的一维张量，经过 unsqueeze(-1) 操作后，形状变成了 [3, 1]，也就是变成了一个 3 行 1 列的二维张量。

示例 2：对二维张量进行操作

python

运行

# 创建一个二维张量
x = torch.tensor([[1, 2], [3, 4]])
print("原始张量形状:", x.shape)  # 输出: torch.Size([2, 2])

# 在最后一个维度上增加一个维度
y = x.unsqueeze(-1)
print("操作后张量形状:", y.shape)  # 输出: torch.Size([2, 2, 1])
print(y)
# 输出:
# tensor([[[1],
#          [2]],
# 
#         [[3],
#          [4]]])

这里，原本形状为 [2, 2] 的二维张量，操作后变成了形状为 [2, 2, 1] 的三维张量。

示例 3：对三维张量进行操作

python

运行

# 创建一个三维张量
x = torch.randn(2, 3, 4)
print("原始张量形状:", x.shape)  # 输出: torch.Size([2, 3, 4])

# 在最后一个维度上增加一个维度
y = x.unsqueeze(-1)
print("操作后张量形状:", y.shape)  # 输出: torch.Size([2, 3, 4, 1])

对于形状为 [2, 3, 4] 的三维张量，操作后变成了形状为 [2, 3, 4, 1] 的四维张量。

实际应用场景

unsqueeze(-1) 常用于以下场景：

1. 维度匹配：在进行张量运算时，需要保证参与运算的张量维度一致。
2. 数据格式调整：在处理图像、序列等数据时，可能需要调整数据的维度结构，以适应模型的输入要求。
3. 向量转矩阵：将一维向量转换为二维矩阵，方便进行矩阵运算。

注意事项

• 负索引规则：在 PyTorch 中，负索引从 -1 开始，表示最后一个维度，-2 表示倒数第二个维度，依此类推。
• 与 squeeze 的区别：unsqueeze 是增加维度，而 squeeze 是删除维度为 1 的维度。

通过上述讲解和示例，你应该对 unsqueeze(-1) 操作有了清晰的理解。如果还有疑问，可以尝试在 PyTorch 环境中运行这些示例代码，进一步观察结果。

在 PyTorch 中，squeeze(-1) 是一个用于减少张量维度的操作，它会移除指定维度上尺寸为 1 的维度。下面详细解释这个操作：

基本概念

squeeze(dim) 函数会在指定的 dim 位置上移除尺寸为 1 的维度。当 dim 为 -1 时，表示移除最后一个维度，但仅当该维度的尺寸为 1 时才会生效。如果最后一个维度的尺寸不是 1，则张量不会发生任何变化。

示例讲解

以下是几个具体示例，展示 squeeze(-1) 的效果：

示例 1：移除最后一个维度（尺寸为 1）

python

运行

import torch

# 创建一个最后一维尺寸为 1 的张量
x = torch.tensor([[1], [2], [3]])
print("原始张量形状:", x.shape)  # 输出: torch.Size([3, 1])

# 移除最后一个维度
y = x.squeeze(-1)
print("操作后张量形状:", y.shape)  # 输出: torch.Size([3])
print(y)
# 输出: tensor([1, 2, 3])

这里，原始张量是形状为 [3, 1] 的二维张量，通过 squeeze(-1) 移除了最后一个维度，变成了形状为 [3] 的一维张量。

示例 2：最后一个维度尺寸不为 1，张量不变

python

运行

# 创建一个最后一维尺寸不为 1 的张量
x = torch.tensor([[1, 2], [3, 4]])
print("原始张量形状:", x.shape)  # 输出: torch.Size([2, 2])

# 尝试移除最后一个维度
y = x.squeeze(-1)
print("操作后张量形状:", y.shape)  # 输出: torch.Size([2, 2])
print(y)
# 输出: 
# tensor([[1, 2],
#         [3, 4]])

由于最后一个维度的尺寸是 2，因此 squeeze(-1) 操作没有改变张量的形状。

示例 3：对三维张量操作

python

运行

# 创建一个三维张量
x = torch.randn(2, 1, 3)
print("原始张量形状:", x.shape)  # 输出: torch.Size([2, 1, 3])

# 移除倒数第二个维度（-2）
y1 = x.squeeze(-2)
print("移除倒数第二个维度后的形状:", y1.shape)  # 输出: torch.Size([2, 3])

# 尝试移除最后一个维度（尺寸为 3）
y2 = x.squeeze(-1)
print("尝试移除最后一个维度后的形状:", y2.shape)  # 输出: torch.Size([2, 1, 3])

这个示例展示了：

• squeeze(-2) 成功移除了倒数第二个维度（尺寸为 1）
• squeeze(-1) 未改变张量，因为最后一个维度尺寸为 3

实际应用场景

squeeze(-1) 常用于以下场景：

1. 预处理输出数据：在模型输出中，某个维度可能意外地包含尺寸为 1 的维度，需要移除以便后续处理。

2. 维度匹配：在进行张量运算前，确保两个张量的维度完全匹配。

3. 数据可视化：在可视化前，将不必要的维度移除，使数据格式更适合可视化工具的要求。

注意事项

• 仅移除尺寸为 1 的维度：如果指定维度的尺寸不是 1，squeeze 操作不会改变张量。
• 与 unsqueeze 的关系：unsqueeze 用于增加维度，而 squeeze 用于减少维度，二者常结合使用以调整张量形状。

通过上述示例，你应该能清晰理解 squeeze(-1) 的工作原理。如果有疑问，可以在 PyTorch 环境中尝试运行这些代码，观察结果。

分享

除了-1之外，squeeze还可以传入哪些参数？

如何使用squeeze函数处理多个维度为1的情况？

如何使用squeeze函数处理除最后一个维度之外的其他维度？