python中squeeze的超詳細解釋(附代碼示例)

更新時間：2025年03月01日 09:10:31 作者：資源存儲庫

這篇文章主要介紹了python中squeeze的超詳細解釋,squeeze操作用于去除張量或數(shù)組中大小為1的維度,簡化數(shù)據(jù)結(jié)構(gòu),在PyTorch和NumPy中都有類似的功能,需要的朋友可以參考下

Python 中的 squeeze 操作

Squeeze 是一個用于 去除張量或數(shù)組中大小為 1 的維度 的操作。

它可以在 PyTorch 和 NumPy 中使用。在實際應用中，squeeze 操作常用于調(diào)整數(shù)據(jù)的形狀，以滿足特定操作或模型的需求。

主要作用：

去除維度為 1 的軸：例如，如果一個張量的形狀為 (1, 3, 1), 使用 squeeze 后會變成 (3,)，即去除了所有大小為 1 的維度。
保持非 1 維度：squeeze 只去除大小為 1 的維度，而其他維度不會改變。

PyTorch 中的 squeeze

在 PyTorch 中，squeeze() 用于去除張量中所有或指定的單維度（大小為 1 的維度）。

其語法如下：

torch.squeeze(input, dim=None)

input：輸入的張量。
dim（可選）：指定要去除的維度，如果指定該維度并且該維度的大小為 1，則去除該維度；如果不指定，默認去除所有維度大小為 1 的維度。

示例 1：去除所有單維度

import torch

# 創(chuàng)建一個形狀為 (1, 3, 1) 的張量
x = torch.tensor([[[1], [2], [3]]])
print("Original shape:", x.shape)

# 使用 squeeze 去除所有維度為 1 的維度
x_squeezed = torch.squeeze(x)
print("Squeezed shape:", x_squeezed.shape)

輸出：

Original shape: torch.Size([1, 3, 1])
Squeezed shape: torch.Size([3])

解釋：

原始張量的形狀是 (1, 3, 1)，即第一個維度和最后一個維度的大小為 1。
squeeze() 后，所有大小為 1 的維度被去除，結(jié)果的張量形狀變?yōu)?nbsp;(3)，即去除了第一個維度和最后一個維度。

示例 2：指定去除維度

# 創(chuàng)建一個形狀為 (1, 3, 1) 的張量
x = torch.tensor([[[1], [2], [3]]])

# 使用 squeeze 去除第 0 維（如果該維度大小為 1）
x_squeezed = torch.squeeze(x, dim=0)
print("Squeezed shape:", x_squeezed.shape)

輸出：

Squeezed shape: torch.Size([3, 1])

解釋：

這里指定了 dim=0，表示去除第 0 維（大小為 1）。這樣，張量的形狀從 (1, 3, 1) 變成了 (3, 1)。
如果你指定了 dim=2，但是該維度的大小不是 1，那么就不會去除該維度。

NumPy 中的 squeeze

在 NumPy 中，squeeze() 也有類似的功能，用于去除數(shù)組中所有或指定的大小為 1 的維度。其語法如下：

numpy.squeeze(a, axis=None)

a：輸入的數(shù)組。
axis（可選）：指定要去除的維度，如果指定的維度大小為 1，則去除該維度；如果不指定，則去除所有大小為 1 的維度。

示例 1：去除所有單維度

import numpy as np

# 創(chuàng)建一個形狀為 (1, 3, 1) 的數(shù)組
x = np.array([[[1], [2], [3]]])
print("Original shape:", x.shape)

# 使用 squeeze 去除所有維度為 1 的維度
x_squeezed = np.squeeze(x)
print("Squeezed shape:", x_squeezed.shape)

輸出：

Original shape: (1, 3, 1)
Squeezed shape: (3,)

解釋：

原始數(shù)組的形狀是 (1, 3, 1)，其中第一個和第三個維度的大小為 1。
使用 squeeze() 后，所有大小為 1 的維度被去除，最終得到形狀為 (3,) 的數(shù)組。

示例 2：指定去除維度

# 創(chuàng)建一個形狀為 (1, 3, 1) 的數(shù)組
x = np.array([[[1], [2], [3]]])

# 使用 squeeze 去除第 0 維
x_squeezed = np.squeeze(x, axis=0)
print("Squeezed shape:", x_squeezed.shape)

輸出：

Squeezed shape: (3, 1)

解釋：

指定 axis=0，表示去除第 0 維（大小為 1）。因此，張量的形狀從 (1, 3, 1) 變成了 (3, 1)。

何時使用 squeeze？

去除冗余維度：當張量或數(shù)組包含冗余的維度（大小為 1 的維度）時，使用 squeeze() 可以簡化數(shù)據(jù)結(jié)構(gòu)。
適配模型輸入：深度學習模型中，常常需要特定的輸入維度。如果數(shù)據(jù)的維度不符合要求，可以使用 squeeze() 去除不必要的單維度。
避免維度不一致：在一些運算中，某些操作可能會產(chǎn)生不必要的單維度，使用 squeeze() 可以保持數(shù)據(jù)的維度一致性。