pytorch部分函数学习笔记
[TOC]
torch.squeeze()和torch.unsqueeze
squeeze用法主要是对数据的维度进行压缩和解压。
torch.squeeze()对数据的维度进行压缩，去掉一个维度为1的维度，如一行或者一列。一个一行三列（1,3）的数去掉第一个维数为一的维度之后就变成（3）行。squeeze(a)就是将a中所有为1的维度删掉。不为1的维度没有影响。a.squeeze(N) 就是去掉a中指定的维数为一的维度。还有一种形式就是b=torch.squeeze(a，N) a中去掉指定的定的维数为一的维度。
torch.unsqueeze()这个函数主要是对数据维度进行扩充。给指定位置加上维数为一的维度，比如原本有个三行的数据（3），在0的位置加了一维就变成一行三列（1,3）。a.squeeze(N) 就是在a中指定位置N加上一个维数为1的维度。还有一种形式就是b=torch.squeeze(a，N) a就是在a中指定位置N加上一个维数为1的维度
如下面这段代码
"""
name: squeezeTest.py
author: lonelyisland
"""
import torch
a = torch.randn(1,3)
print(a)
print(a.shape)
b = torch.unsqueeze(a,1)
c = a.unsqueeze(0)
print(b)
print(b.shape)
print(c.shape)
f = torch.randn(3)
print(f)
print(f.shape)
g = f.unsqueeze(0)
print(g.shape)
输出是：
tensor([[-1.8026, -0.3206, 1.0510]]) #有多少个[[]]就说明是几维，比如这里是2维的，这里虽然只有3个数，但是他是表示一个2维的矩阵的第一行有三列
torch.Size([1, 3])
tensor([[[-1.8026, -0.3206, 1.0510]]])
torch.Size([1, 1, 3])
torch.Size([1, 1, 3])
tensor([ 0.0402, -0.6615, -0.9040]) #这里只有1维
torch.Size([3])
torch.Size([1, 3])
torch.manual_seed()
这个函数是指定随机数种子的函数，之前不太理解这个函数的用法， 主要作用是产生“固定”的随机数，如何理解固定的随机数呢？这个函数设定随机数种子，并且会成为一个全局变量，也就是说这个函数在一个实例中只存在一处就可以了，否则后面声明的会覆盖掉前面声明的：
"""
name: manual_seed.py
author: lonelyisland
"""
import torch
#part 1 Set manual_seed(1)
torch.manual_seed(1)
print(torch.rand(2))
print("=================")
#part 2 Set manual_seed(2)
torch.manual_seed(2)
print(torch.randn(2))
print("=================")
#part 3 Set manual_seed(1)
torch.manual_seed(1)
print(torch.randn(2))
print(torch.randn(2))
输出：
tensor([0.7576, 0.2793])
=================
tensor([ 0.3923, -0.2236])
=================
tensor([0.6614, 0.2669])
tensor([0.0617, 0.6213])
这个种子主要是为了使多次运行这段代码时得到同样的一组随机数（便于固定一组随机的模型参数，使得结果可以复现），注释掉part1 part2，运行2次，结果均为：
tensor([0.6614, 0.2669])
tensor([0.0617, 0.6213])
可以看到第一二次运行的结果，输出是一样的，达到了固定的目的，但是同一个实例中多次随机是不一样的，达到了随机的目的。