Python 什么是；“不开窍”；你在皮托克干什么？

我无法理解中的示例如何与解释相对应：

返回在指定位置插入尺寸为1的新张量。[……]

>>> x = torch.tensor([1, 2, 3, 4])
>>> torch.unsqueeze(x, 0)
tensor([[ 1,  2,  3,  4]])
>>> torch.unsqueeze(x, 1)
tensor([[ 1],
        [ 2],
        [ 3],
        [ 4]])

---

如果查看前后数组的形状，可以看到它的前面是

（4，）

，后面是

（1，4）

（当第二个参数是

0

）和

（4，1）

（当第二个参数是

1

）。因此，根据第二个参数的值，在轴

0

或

1

处的阵列形状中插入了

1

---

这与（从MATLAB借用的术语）相反，后者删除了大小为

1

（单件）的轴。

我不确定为什么这里没有提到Pytork参考，因为这是Pytork的遗产

→ 张量 返回一个已删除大小为1的

input

的所有维度的张量

例如，如果输入是形状：（A×1×B×C×1×D），则输出张量将是形状：（A×B×C×D）

当给定

dim

时，仅在给定尺寸内执行挤压操作。如果输入为形状：（A×1×B），

压缩（输入，0）

保持张量不变，但

压缩（输入，1）

将张量压缩为形状（A×B）

→ 张量 返回在指定位置插入尺寸为1的新张量

返回的张量与该张量共享相同的基础数据

可以使用范围

[-input.dim（）-1，input.dim（）+1）

内的

dim

值。负值

dim

将对应于

unsqueze（）

应用于

dim=dim+input.dim（）+1

---

它指示添加维度的位置。

torch.unsqueze

向张量添加额外维度

假设有一个形状为（3）的张量，如果在0位置添加一个尺寸，它将是形状为（1,3），这意味着1行3列：

• 如果您有一个形状为（2,2）的二维张量，请在0位置添加一个额外维度，这将导致张量的形状为（1,2,2），即一个通道、两行和两列。如果您在1位置添加，则其形状为（2,1,2），因此它将有两个通道、一行和两列
• 如果在1位置添加，则它将是（3,1），即3行1列
• 如果将其添加到2位置，则张量的形状将为（2,2,1），这意味着两个通道、两行和一列

---

反求

通过添加深度为1的额外维度，将n.d.张量转换为（n+1）.d.张量。但是，由于新维度应横穿哪个轴（即应“反求”的方向）不明确，因此需要由参数指定

e、 g.

unsqueze

可以三种不同的方式应用于二维张量：

---

生成的未排序张量具有相同的信息，但用于访问它们的索引不同。

未排序是一种更改张量维数的方法，以便可以进行诸如张量乘法之类的操作。这基本上改变了维数以生成具有不同维数的张量

例如：如果要将大小为（4）的张量与大小为（4，N，N）的张量相乘，则会得到一个错误。

---

但是使用unsqueze方法，您可以将张量转换为大小（4,1,1）。现在，由于这有一个大小为1的操作数，您可以将这两个张量相乘。

实际上，我经历了一段因误解输出格式而产生的困惑