1 squeeze

1.1

import torch
x=torch.randn(2,1,2)	    #生成一个维度是(2,1,2)的tensor向量
print(x.shape)				#torch.Size([2, 1, 2])
x=x.squeeze()				#参数为空，表示删除tensor元素的所有维度为1的维度，这里的x只有第二个维度是1，所以执行该操作后，第二个维度会被删除剩下：(2,2)
print(x.shape)				#torch.Size([2, 2])
x=x.squeeze()				#没有维度为1的维度了，所以x的维度保持原样
print(x.shape)				#torch.Size([2, 2])

1.2

import torch
x=torch.randn(2,1,2)	    #生成一个维度是(2,1,2)的tensor向量
print(x.shape)				#torch.Size([2, 1, 2])
x=x.squeeze(0)				#参数为0，表示如果第0个维度是1维，则删除第0个维度，这里的x只有第1个维度是1，所以执行该操作后，第0个维度不会被删除，x元素的维度依然是(2,1,2)
print(x.shape)				#torch.Size([2, 1, 2])
x=x.squeeze(1)				#参数为1，表示如果第1个维度是1维，则删除第1个维度，所以执行该操作后，第1个维度会被删除，x元素的维度变成是(2,2)
print(x.shape)				#torch.Size([2, 2])

1.3 执行操作后需要写回

import torch
x=torch.randn(2,1,2)	    #生成一个维度是(2,1,2)的tensor向量
print(x.shape)				#torch.Size([2, 1, 2])
x.squeeze()				    #参数为空，表示删除tensor元素的所有维度为1的维度，这里的x只有第二个维度是1，所以执行该操作后，第二个维度会被删除剩下：(2,2)，但是！！！这里对x执行squeeze()操作的结果是返回的，并没有写入原数据空间x，即修改的内容没有保存下来，需要执行x=x.squeeze()才可以
print(x.shape)				#torch.Size([2, 1, 2])

2 unsqueeze

import torch
y=torch.randn(2,1,2)
print(y.shape)          #torch.Size([2, 1, 2])
y=y.unsqueeze(0)		#在第0维，增加一个维度是1的维度
print(y.shape)          #torch.Size([1, 2, 1, 2])