Pytorch view()、squeeze()、unsqueeze()、torch.max()

最新推荐文章于 2025-06-17 16:08:14 发布
最新推荐文章于 2025-06-17 16:08:14 发布
阅读量1w 收藏 12
点赞数 6
CC 4.0 BY-SA版权
分类专栏： pytorch知识宝典
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/jacke121/article/details/80595928
本文介绍了PyTorch中的view()、squeeze()、unsqueeze()函数及其用法，详细解释了它们如何改变张量的形状。同时，探讨了torch.max()函数，说明其返回最大值及对应索引的功能，并展示了如何根据轴选择最大值的索引。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本篇博客主要向大家介绍Pytorch中view()、squeeze()、unsqueeze()、torch.max()函数，这些函数虽然简单，但是在 神经网络编程总却经常用到，希望大家看了这篇博文能够把这些函数的作用弄清楚。 
import torch
a=torch.Tensor(2,3)
a

 

 3.8686e+25  9.1836e-39  1.2771e-40
 9.0079e+15  1.6751e-37  2.9775e-41
 [torch.FloatTensor of size 2x3]

view()函数作用是将一个多行的Tensor,拼接成一行。


 



                

        

         

    

    
  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        


    



                



	

		

			

				
					
unsqueeze

				
			

			

				

					jacke121的专栏
				

				

					09-16
					
					3843
					
				

			

		

		

			
				
 

unsqueeze(0)

在外面增加一个维度

 

			
		

	



                

            
              



	

		

			

				
					
pytorch搭建squeezenet网络的整套工程，及其转tensorrt进行cuda加速

				
			

			

				

					weixin_45354497的博客
				

				

					09-05
					
					987
					
				

			

		

		

			
				
使用pytorch搭建squeezenet分类网络的一整套实际工程项目，以及转为tensorrt在gpu上进行加速推理。

			
		

	



              


  
              

                


	

		

			

				
					
【pytorch】torch.unsqueeze() 、torch.squeeze()

				
			

			

				

					Drug discovery
				

				

					06-13
					
					2万+
					
				

			

		

		

			
				
目录

1. torch.unsqueeze 详解

2.unsqueeze_和unsqueeze的区别

3. torch.squeeze 详解

1. torch.unsqueeze 详解

torch.unsqueeze(input, dim, out=None)

作用：扩展维度
返回一个新的张量，对输入的既定位置插入维度 1

注意：返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
如果dim为负，则将会被转化dim+input.dim()+1

参数:
	tensor (...

			
		

	





	

		

			

				
					
torch.unsqueeze

					
最新发布

				
			

			

				

					m0_69648014的博客
				

				

					06-17
					
					424
					
				

			

		

		

			
				
是 PyTorch 中的一个张量操作函数，用于在指定维度上增加一个大小为 1 的维度。这个操作通常用于调整张量的形状，使其满足某些操作的要求。，可以灵活调整张量的形状以满足不同操作的需求。

			
		

	



		

			
		



	

		

			

				
					
简述pytorch中squeeze函数和view函数的区别

				
			

			

				

					说文科技，做有态度的研究。
				

				

					05-03
					
					540
					
				

			

		

		

			
				
pytorch中squeeze函数和view函数的区别

			
		

	





	

		

			

				
					
pytorch函数unsqueeze函数的理解

				
			

			

				

					ljwwjl的博客
				

				

					03-31
					
					4万+
					
				

			

		

		

			
				
在看许多pytorch的代码时，为了计算上的方便，通常会用到unsqueeze函数，一直不得要领，这次专门去做个实验学习一下。

官方文档对这个函数描述如下，就是在指定的位置插入一个维度，有两个参数，input是输入的tensor,dim是要插到的维度

需要注意的是dim的范围是[-input.dim()-1, input.dim()+1)，是一个左闭右开的区间，当dim为负值时，会自动转换为dim = dim+input.dim()+1，类似于使用负数对python列表进行切片。





下面使用一.

			
		

	





	

		

			

				
					
【学习笔记】pytorch中squeeze()和unsqueeze()函数介绍

					
热门推荐

				
			

			

				

					flysky_jay的博客
				

				

					08-12
					
					38万+
					
				

			

		

		

			
				
一、unsqueeze()函数

1. 首先初始化一个a



可以看出a的维度为（2，3）

2. 在第二维增加一个维度，使其维度变为（2，1，3）



可以看出a的维度已经变为（2，1，3）了，同样如果需要在倒数第二个维度上增加一个维度，那么使用b.unsqueeze(-2)

二、squeeze()函数介绍

1. 首先得到一个维度为（1，2，3）的tensor（张量）



由图中可以看...

			
		

	





	

		

			

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

				
			

			

				

					跨模态
				

				

					07-28
					
					1万+
					
				

			

		

		

			
				
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。

目录

一、torch.max()

二、torch.view()

三、

1.torch.unsqueeze()

2.squeeze()

一、torch.max()


import torch 

a=torch.randn(3)
print("a:\n",a)
print('max(a):',torch.max(a))

b...

			
		

	





	

		

			

				
					
PyTorch学习笔记-3.PyTorch模型搭建

				
			

			

				

					ruoqi23的博客
				

				

					08-03
					
					1381
					
				

			

		

		

			
				
3.PyTorch模型搭建

3.1.卷积层

3.1.1.卷积-1d/2d/3d

卷积运算：卷积核在输入信号（图像）上滑动，相应位置上进行乘加
卷积核：又称为滤波器，过滤器，可认为是某种模式，某种特征。

卷积过程类似于用一个模版去图像上寻找与它相似的区域，与卷积核模式越相似，激活值越高，从而实现特征提取

例如：

AlexNet卷积核可视化，发现卷积核学习到的是边缘，条纹，色彩这一些细节模式



卷积维度：一般情况下，卷积核在几个维度上滑动，就是几维卷积

下面分别为一维、二维、三维卷积示意图
.

			
		

	





	

		

			

				
					
【编译系列】Torch.compile()训练编译——算子融合逻辑 & 工程化

				
			

			

				

					StarCap的博客
				

				

					02-02
					
					1181
					
				

			

		

		

			
				
从2.4版本开始，PyTorch开始支持通过torch.library的方式往torch.compile中注册新operator，对环境有一定要求torch>=2.4且gcc>=9(训练机器最高为8.2，需要手动安装)。<2.4版本也支持，但使用起来会比较繁琐。在训练场景下，要求实现operator对应的前向函数和反传函数。

			
		

	





	

		

			

				
					
python pytorch中 .view()函数讲解

				
			

			

				

					欢迎关注，共同进步！
				

				

					12-08
					
					5万+
					
				

			

		

		

			
				
一、普通用法 (手动调整size)
  
view()相当于reshape、resize，重新调整Tensor的形状。
import torch
a1 = torch.arange(0,16)
print(a1)

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

a2 = a1.view(8, 2)
a3 = a1.view(2, 8)
a4 = a1.view(4, 4)

print(a2)
print(

			
		

	





	

		

			

				
					
Pytorch维度操作-unsqueeze、squeeze、view与permute

				
			

			

				

					如何心安理得的在老板眼皮下摸鱼
				

				

					06-10
					
					1834
					
				

			

		

		

			
				
unsqueeze

作用是用于增加维度，操作是针对于tensor张量，通过tensor.unsqueeze进行维度扩张。




			
		

	





	

		

			

				
					
Pytorch——squeeze()函数

				
			

			

				

					Williamcsj的博客
				

				

					12-26
					
					158
					
				

			

		

		

			
				
降维函数

			
		

	





	

		

			

				
					
Pytorch基础函数（二）变形函数——view()与view_as()

				
			

			

				

					ADwenwen的博客
				

				

					04-02
					
					1万+
					
				

			

		

		

			
				
view()函数是用于对Tensor(张量)进行形状变化的函数，如一个Tensor的size是3x2，可以通过view()函数将其形状转为2x3。



但是需要注意的是进行操作的张量必须是contiguous()的，即在在内存中连续的。（不连续可以使用tensor.contiguous()操作转为连续）。



一、view()函数基本操作

函数定义：view(*args) [Ps:...

			
		

	





	

		

			

				
					
PyTorch中的squeeze() 函数

				
			

			

				

					YHKKun的博客
				

				

					03-18
					
					1620
					
				

			

		

		

			
				
在神经网络中，某些层可能会输出带有大小为1的额外维度的张量。这些维度可能是因为在卷积层之后没有使用适当的池化层，或者在全连接层之前输入数据的维度不匹配所导致的。：在深度学习任务中，经常需要将不同来源的张量进行维度对齐以便进行运算（如加法、连接等）。函数是一个很有用的张量操作，它用于移除张量中所有大小为1的维度。函数可以用来移除这些多余的维度，使得输出张量的形状与后续层的输入要求相匹配。函数可以减少张量所占用的内存空间，从而允许在有限的内存资源下处理更多的数据。，则只会移除该指定维度上大小为1的维度。

			
		

	





	

		

			

				
					
pytorch torch.squeeze函数介绍

				
			

			

				

					qq_27390023的博客
				

				

					09-04
					
					814
					
				

			

		

		

			
				
函数分别去除所有尺寸为 1 的维度和只去除指定维度的尺寸为 1 的维度，并打印出结果张量的形状。函数用于去除张量中尺寸为 1 的维度。在上述示例中，首先创建了一个形状为。在 PyTorch 中，的三维张量，然后使用。

			
		

	





	

		

			

				
					
unsqueeze()和squeeze()

				
			

			

				

					Philo的博客
				

				

					02-21
					
					1382
					
				

			

		

		

			
				
`unsqueeze()` 函数是 PyTorch 中的一个张量操作函数，用于在指定位置添加一个新的维度。该函数的作用是在张量的指定位置插入一个新的维度，从而改变张量的形状。

			
		

	





	

		

			

				
					
pytorch中squeeze函数用法

				
			

			

				

					weixin_49583390的博客
				

				

					09-02
					
					1417
					
				

			

		

		

			
				
input一个高维张量，如果各个维度中存在大小为1的维度，squeeze才起作用，下面举例说明。如果指定dim，当dim=1时候，效果和上面相同，如果dim为其他，那么x的维度不变。当然，如果各个维度中不存在大小为1的维度，那么squeeze函数对x张量无效。squeeze的中文意思是“”，顾名思义，该函数的作用是。

			
		

	





	

		

			

				
					
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
import numpy as np

# 数据集：字符序列预测（Hello -> Elloh）
char_set = list("hello")
char_to_idx = {c: i for i, c in enumerate(char_set)}
idx_to_char = {i: c for i, c in enumerate(char_set)}

# 数据准备
input_str = "hello"
target_str = "elloh"
input_data = [char_to_idx[c] for c in input_str]
target_data = [char_to_idx[c] for c in target_str]

# 转换为独热编码
input_one_hot = np.eye(len(char_set))[input_data]

# 转换为 PyTorch Tensor
inputs = torch.tensor(input_one_hot, dtype=torch.float32)
targets = torch.tensor(target_data, dtype=torch.long)

# 模型超参数
input_size = len(char_set)
hidden_size = 8
output_size = len(char_set)
num_epochs = 200
learning_rate = 0.1

# 定义 RNN 模型
class RNNModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNNModel, self).__init__()
        self.rnn = nn.RNN(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x, hidden):
        out, hidden = self.rnn(x, hidden)
        out = self.fc(out)  # 应用全连接层
        return out, hidden

model = RNNModel(input_size, hidden_size, output_size)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

# 训练 RNN
losses = []
hidden = None  # 初始隐藏状态为 None
for epoch in range(num_epochs):
    optimizer.zero_grad()

    # 前向传播
    outputs, hidden = model(inputs.unsqueeze(0), hidden)
    hidden = hidden.detach()  # 防止梯度爆炸

    # 计算损失
    loss = criterion(outputs.view(-1, output_size), targets)
    loss.backward()
    optimizer.step()
    losses.append(loss.item())

    if (epoch + 1) % 20 == 0:
        print(f"Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}")

# 测试 RNN
with torch.no_grad():
    test_hidden = None
    test_output, _ = model(inputs.unsqueeze(0), test_hidden)
    predicted = torch.argmax(test_output, dim=2).squeeze().numpy()

    print("Input sequence: ", ''.join([idx_to_char[i] for i in input_data]))
    print("Predicted sequence: ", ''.join([idx_to_char[i] for i in predicted]))

# 可视化损失
plt.plot(losses, label="Training Loss")
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.title("RNN Training Loss Over Epochs")
plt.legend()
plt.show()，在这个代码里加入gpu加速

				
			

			

				

					03-27
				

			

		

		

			
				
 predicted = torch.argmax(test_output, dim=2).squeeze().cpu().numpy() # 转移到CPU   print("Input sequence: ", ''.join([idx_to_char[i] for i in input_data]))  print("Predicted sequence: ", ''.join([idx...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 1

	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
AI算法网奇

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值