torch.squeeze()、torch.unsqueeze()、torch.randn()、torch.nn.Linear()、torch.Tensor.expand_as

torch.squeeze()、torch.unsqueeze()、torch.randn()、torch.nn.Linear()、torch.Tensor.expand_as、numpy.mean(a, axis, dtype, out，keepdims )、numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims)

1、torch.squeeze()

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

• input (Tensor) ，input为输入的tensor
• dim (int, optional) ，dimension，只对输入tensor的该维度进行压缩
• out (Tensor, optional)，out输出的也是tensor

torch.squeeze()可以理解为对张量进行降维操作，若某一维度的维度值为1,则去除该维度该维度，若输入X的维度为(A×1×B×C×1×D) ，执行 torch.squeeze(X)，输出tensor的形状为(A×B×C×D);
再如，input=(A×1×B) , squeeze(input, 0)，0表示第一维度，第一维度值为A，不是1，所以不变; 执行squeeze(input, 1)，1表示第二维度，第二维度值为1,则去除，因此 input=(A×B) 。
下面举例说明

#先注明torch.zeros()
#torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
>>> torch.zeros(2, 3)
tensor([[ 0.,  0.,  0.],
        [ 0.,  0.,  0.]])
>>> torch.zeros(5)
tensor([ 0.,  0.,  0.,  0.,  0.])

>>> x = torch.zeros(2, 1, 2, 1, 2)
>>> x.size()
#torch.Size 返回张量形状
torch.Size([2, 1, 2, 1, 2])
>>> y