squeeze，unsqueeze, cat，stack, view 常见用法

张量维度变换技巧：增维与消维
最新推荐文章于 2025-11-23 17:56:55 发布
转载 最新推荐文章于 2025-11-23 17:56:55 发布 · 124 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/CVSvsvsvsvs/article/details/90182770?
文章标签：

#深度学习

博客介绍了张量维度的变换技巧，主要涉及增加维度和消除维度的方法，为深度学习中张量操作提供参考。

张量维度的一些变换技巧，增加维度，消除维度

参考

茉莉_Molly
关注
【论文阅读】PETR: Position Embedding Transformation for Multi-View 3D Object Detection + 代码
weixin_55982578的博客
07-03 1559
在本文中，我们开发了用于多视图 3D 对象检测的位置嵌入变换(PETR)。PETR 将 3D 坐标的位置信息编码为图像特征，产生 3D 位置感知特征。对象查询可以感知 3D 位置感知特征并执行端到端对象检测。PETR 在标准 nuScenes 数据集上实现了最先进的性能（50.4% NDS 和44.1% mAP），并在基准测试中排名第一。它可以作为未来研究的简单而强大的基线。
Pytorch常用的函数(一)torch.squeeze()和torch.unsqueeze()、torch.cat()和torch.stack()函数功能及使用
qq_44665283的博客
06-05 6972
torch.squeeze()和torch.unsqueeze()、torch.cat()和torch.stack()函数功能及使用
Pytorch中 stack和cat， squeeze 和 unsqueeze 之间的差别
ytusdc的博客
08-21 643
stack和cat， squeeze 和 unsqueeze
【pytorch的 unsqueeze和view函数】
Predoff的博客
04-20 1045
记录pytorch的shape是怎么变化的，主要是unsquezze函数 代码如下： a = torch.tensor([[[1,2,3,4],[0,0,0,0],[7,8,9,10]],[[1,4,9,16],[16,25,36,49],[49,64,81,100]]],dtype=torch.float) len_q = a.size(1) padding_mask = a.eq(0) print('1,',padding_mask) print('2,',padding_mask[:,:,0]) pr
pytorch 速记 | squeeze，unsqueeze, cat，stack, view 常见用法
湫一
05-13 899
在实际使用中老是忘记这些和维度相关操作的API用法，在这里记录一下，作为备忘。 unsqueeze unsqueeze指定某一个维度（如0），然后在该维度再插入一个维度，一般用来增加维度，尺寸只能为1。 从以下代码可以看出，经过unsuqeeze之后，tensor的尺寸在0的位置多了一个1。 In [2]: a = torch.tensor([1,2,3]) ...
pytorch-tensor处理速查表（cat stack squeeze unsqueeze permute等）
weixin_30745553的博客
07-01 287
1 torch.cat torch.cat((A, B), dim) 将两个tensor在指定维度进行拼接 A = torch.zeros(2,3) B = torch.zeros(2,3) C = torch.cat((A,B), 0) ## shape [4,3] D = torch.cat((A,B), 1) ## shape [2,6] 2 torch.st...
torch之gather，detach，cat，squeeze,unqueeze, view
ustc_imcl_fj的博客
05-10 2201
gather torch.gather(input, dim, index, out=None) → Tensor 沿给定轴dim, 将输入索引张量index指定位置的值进行聚合，即，指定维度的大小会发生变化。 对于一个3维张量，输出可以定义为： out[i][j][k] = tensor[index[i][j][k]][j][k] # dim=0 out[i][j][k] = tens...
PyTorch cat, stack, transpose, permute, view和reshape详解
frighting_ing的博客
01-03 1533
简述 使用Pytorch过程中，我们经常对torch类型矩阵进行变换，常用的命令较多，我也将常用的命令进行学习整理，欢迎各位小伙伴一起学习，有错误欢迎批评指正！ 1. cat 对数据沿着某一维度进行拼接。cat后数据的总维数不变. 比如下面代码对两个2维tensor（分别为2x3,1x3）进行拼接，拼接完后变为3x3还是2维的tensor。 import torch x = torch.randn(2, 3) #tensor([[ 0.6614, 0.2669, 0.0617], # [
pytorch里cat、stack、unsqueeze、squeeze、自带网络自适应输入大小方法、初始化一个输入获取最后一层特征向量的维度大小,empty、random_初始化Tensor。
yangdeshun888的博客
01-04 3081
1、其中cat是用于拼接矩阵数据： 参考：pytorch中的cat、stack、tranpose、permute、unsqeeze #把数据1跟数据2进行按行拼接，其中0，表示按行，如果1则表示按列 outputssum = torch.cat((outputs1, outputs2), 0) outputssum = torch.cat((outputssum, outputs3), 0)...
张量形状操作：x.view(shape)、touch.unsqueeze(x, dim)、touch.squeeze(x, dim)、torch.cat((x, y), dim)、torch.stack((x, y), dim)
03-23
嗯，用户想了解PyTorch中张量形状操作的方法，特别是view、unsqueeze、squeeze、cat和stack这几个函数。首先，我需要回忆这些方法的具体用法和区别。根据引用[3]和[4]，cat和stack的主要区别在于是否新增维度。cat是...
任务内容 1.基于任务 3 中的tensor_4x5（4 行 5 列，共 20 个元素），完成以下重塑操作： o使用reshape()将其重塑为 (5, 4)、(2, 2, 5) 的张量，观察形状变化。 o使用view()将其重塑为 (10, 2) 的张量，对比reshape()与view()的适用场景（提示：view()仅适用于连续内存的张量）。 2.维度操作： o使用unsqueeze()为tensor_4x5在第 0 维（最前面）增加一个维度，得到形状为 (1, 4, 5) 的张量。 o使用squeeze()去除上述张量中维度大小为 1 的维度，恢复为 (4, 5)。 o使用permute()将 (1, 4, 5) 的张量调整为 (4, 1, 5)，观察维度顺序变化（对比reshape()，permute()会重新排列元素）。 （拓展）使用cat()将两个形状为 (2, 5) 的张量在第 0 维拼接，得到 (4, 5) 的张量；使用stack()将两个形状为 (4, 5) 的张量在第 0 维堆叠，得到 (2, 4, 5) 的张量，对比cat()与stack()的差异。
09-16
cat与stack的差异: cat是在已有的维度上进行拼接，不会增加新的维度，要求两个张量除了拼接维度外其他维度必须相同。 stack会创建一个新的维度，然后将两个张量沿着这个新维度堆叠，要求两个张量的形状完全相同。...
def forward(self, x): batch_size = x.shape[0] emb_x = self.emb(x).view(batch_size, -1) dnn = self.dnn(emb_x) dcn = self.cross_network(emb_x) return self.stack(torch.cat([dnn, dcn], dim=1)).squeeze(1)
06-01
最后，它将 dnn 和 dcn 的输出张量在第二个维度上拼接起来，并通过 stack 和 squeeze 操作将其转换为一个一维张量，作为最终的输出张量返回。 具体来说，torch.cat([dnn, dcn], dim=1) 是在第二个维度上将 dnn 和 ...
ef tangent_plane_sampling(self, reference_points, offset, img_metas): grid = self.grid.type_as(reference_points) * self.grid_range_scale # trans to pc_range local_pts = grid[None, None, :, None, ...] + offset if self.point_dim == 2: local_pts = torch.cat([torch.zeros_like(local_pts[..., :1]), local_pts], dim=-1) reference_points = position_decode(reference_points, self.pc_range) # the query-specific view angle mentioned in paper azimuth_angle = torch.atan2(reference_points[..., 1], reference_points[..., 0]) rot_sin, rot_cos = torch.sin(azimuth_angle), torch.cos(azimuth_angle) zeros, ones = torch.zeros_like(azimuth_angle), torch.ones_like(azimuth_angle) rot_matrix = torch.stack([rot_cos, -rot_sin, zeros, rot_sin, rot_cos, zeros, zeros, zeros, ones], dim=-1).reshape(*reference_points.shape[:-1], 3, 3) local_pts = torch.matmul(rot_matrix[:, :, None, None, None, ...], local_pts.unsqueeze(-1)).squeeze(-1) reference_points = reference_points[:, :, None, None, None, :] + local_pts reference_points_cam, proj_mask = self.point_sampling(reference_points, img_metas) if self.offset_single_level: reference_points_cam = reference_points_cam.repeat(1, 1, 1, 1, self.num_levels, 1, 1) proj_mask = proj_mask.repeat(1, 1, 1, 1, self.num_levels, 1) return reference_points_cam, proj_mask
04-01
比如 `[None, ..., ]` 或 `.unsqueeze()` 方法的作用在于增加额外轴以便于广播机制运行时能够逐元素相加或乘法等运算更加方便直观。 #### 4. **Camera Coordinate Transformation:** 把物体空间中各点转化到摄像...
美联储“鹰派信号脉冲“下黄金价格下跌60美元——基于LSTM-GARCH模型的波动率聚类与跨市场风险传导机制
11-20 1098
本文通过机器学习驱动的时序预测模型，结合自然语言处理技术解析美联储会议纪要文本，分析黄金价格在4132美元的动态回撤60美元机制，重点考察货币政策信号、市场情绪指标与宏观经济数据的交互影响。
Week 26: 深度学习补遗：LSTM 原理与代码复现
最新发布
MCHacker的专栏
11-23 715
本周对 LSTM模型利用PyTorch进行了复现，将其实现与数学形式进行了逐条对应，清晰、重点地理解门控机制与细胞状态与其在时序场景下的应用。在 2017 年 Transformer 架构（Attention 机制）横空出世之前，LSTM 曾是序列建模（NLP、语音、时序）的绝对王者。而在 2025 年的今天，它不再是唯一的 SOTA，但依然是非常棒的轻量级选择。本周阅读了一些时序预测领域的工作，发现LSTM在时序预测领域仍然相当活跃，在本周对LSTM进行了数学原理的复习、代码的简单复现和其应用场景的分析。
【Python TensorFlow】CNN-BiLSTM时序预测 卷积神经网络-双向长短期记忆神经网络组合模型（附代码）
vvoennvv的博客
11-19 489
本文提出了一种结合CNN与BiLSTM的混合神经网络模型（CNN-BiLSTM）用于多特征时序预测。该模型通过一维卷积提取局部时间特征，双向LSTM捕获长期依赖关系，实现了多步预测能力。算法流程包括数据预处理、网络构建（含卷积层、池化层、双向LSTM层）、模型训练（采用Adam优化器和MSE损失函数）及评估。实验采用电力负荷或风电场功率数据，通过滑动窗口构造样本并进行归一化处理，支持多输入多步预测。代码提供详细注释，可直接替换CSV/Excel数据集运行，包含完整的训练测试集划分和评估流程。
深度学习理论与实战：用生活案例理解回归模型
2501_92613722的博客
11-20 935
本文通过生活化案例通俗讲解四种基础机器学习模型：线性回归（预测连续值，如身高体重）、多项式回归（拟合曲线数据，如学习时间与分数）、Logistic回归（二分类问题，如水果分类）以及梯度下降优化算法。文章强调从生活场景理解核心逻辑：画直线拟合数据、添加高次项使直线弯曲、绘制分界线区分类别，并通过代码示例展示模型训练过程。建议读者先运行线性回归代码观察误差变化，再逐步尝试更复杂模型，重点在于建立直观理解而非死记公式。
李沐动手学深度学习笔记（2）---卷积神经网络
2301_80484013的博客
11-23 796
定义： 是 PyTorch 所有神经网络层、模型的基类（base class）。 所有的网络层（Linear、Conv2d、RNN等）以及你自己写的自定义网络，都必须继承它。特点：举例： Block（块，结构单元） 定义： Block 并不是 PyTorch 中的一个正式类名，而是我们在设计网络时人为定义的中间层次结构。 它是由若干 组成的一个子结构。用途：举例（ResNet 残差块）： Sequential（顺序容器） 定义： 是 的一种特殊子类，用来按顺序堆叠层，让代码更简洁。特点：
更换适配python版本直接进行机器学习深度学习等相关环境配置(非仿真环境)
qq_42217078的博客
11-23 208
​ 上一篇 最新的python3.14版本下仿真环境配置深度学习机器学习相关 在仿真环境下配置的 ，但是运行效率没有直接合适版本的快，故而重新配置 ​至此环境已完全配置就绪，可直接用于机器学习、深度学习、数据可视化等各类开发场景！ 整理不易，诚望各位看官点赞 收藏 评论 予以支持，这将成为我持续更新的动力源泉。若您在阅览时存有异议或建议，敬请留言指正批评，让我们携手共同学习，共同进取，吾辈自当相互勉励！
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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