Torch 中的 view() 和 unsqueeze() 有什么区别？
What is the difference between view() and unsqueeze() in Torch?
使用unsqueeze()：
input = torch.Tensor(2, 4, 3) # input: 2 x 4 x 3
print(input.unsqueeze(0).size()) # prints - torch.size([1, 2, 4, 3])
使用view()：
input = torch.Tensor(2, 4, 3) # input: 2 x 4 x 3
print(input.view(1, -1, -1, -1).size()) # prints - torch.size([1, 2, 4, 3])
根据文档，unsqueeze() 在作为参数给定的位置插入单例 dim，并且 view() 创建一个视图，该视图具有与 tensor 关联的不同存储维度。
view()的作用我很清楚，但我无法将它与unsqueeze()区分开来。而且，我不明白什么时候用view()，什么时候用unsqueeze()?
任何有好的解释的帮助将不胜感激！
view() 只能接受一个 -1 参数。
因此，如果您想添加单例维度，则需要提供所有维度作为参数。例如，如果 A 是一个 2x3x4 张量，要添加单例维度，您需要执行 A:view(2, 1, 3, 4).
但是，有时在使用操作时输入的维度是未知的。因此，我们不知道 A 是 2x3x4，但我们仍然想插入一个单例维度。当使用张量的小批量时，这种情况经常发生，其中最后一个维度通常是未知的。在这些情况下，nn.Unsqueeze 很有用，它让我们在编写代码时无需明确知道其他维度即可插入维度。
unsqueeze() 是 view()
的 特例
为方便起见，许多 python 库都有常用函数的简写别名。
view() 将张量重塑为指定的形状unsqueeze() 通过添加深度为 1
的新维度来重塑张量
（即将 n.d 张量转换为 n+1.d 张量）
何时使用 unsqueeze()？
一些示例用例：
- 您有一个设计用于接收 RGB 图像张量 (3d:
CxHxW) 的模型，但您的数据是二维灰度图像 (HxW)
- 您的模型旨在接收成批数据 (
batch_size x dim1 x dim2 x ...)，而您希望为其提供单个样本（即大小为 1 的批次）。
使用unsqueeze()：
input = torch.Tensor(2, 4, 3) # input: 2 x 4 x 3
print(input.unsqueeze(0).size()) # prints - torch.size([1, 2, 4, 3])
使用view()：
input = torch.Tensor(2, 4, 3) # input: 2 x 4 x 3
print(input.view(1, -1, -1, -1).size()) # prints - torch.size([1, 2, 4, 3])
根据文档，unsqueeze() 在作为参数给定的位置插入单例 dim，并且 view() 创建一个视图，该视图具有与 tensor 关联的不同存储维度。
view()的作用我很清楚，但我无法将它与unsqueeze()区分开来。而且，我不明白什么时候用view()，什么时候用unsqueeze()?
任何有好的解释的帮助将不胜感激！
view() 只能接受一个 -1 参数。
因此，如果您想添加单例维度，则需要提供所有维度作为参数。例如，如果 A 是一个 2x3x4 张量，要添加单例维度，您需要执行 A:view(2, 1, 3, 4).
但是，有时在使用操作时输入的维度是未知的。因此，我们不知道 A 是 2x3x4，但我们仍然想插入一个单例维度。当使用张量的小批量时，这种情况经常发生，其中最后一个维度通常是未知的。在这些情况下，nn.Unsqueeze 很有用，它让我们在编写代码时无需明确知道其他维度即可插入维度。
unsqueeze() 是 view()
的 特例
为方便起见，许多 python 库都有常用函数的简写别名。
view()将张量重塑为指定的形状unsqueeze()通过添加深度为 1
的新维度来重塑张量 （即将 n.d 张量转换为 n+1.d 张量）
何时使用 unsqueeze()？
一些示例用例：
- 您有一个设计用于接收 RGB 图像张量 (3d:
CxHxW) 的模型，但您的数据是二维灰度图像 (HxW) - 您的模型旨在接收成批数据 (
batch_size x dim1 x dim2 x ...)，而您希望为其提供单个样本（即大小为 1 的批次）。