Achetez-moi un café☕
*Mon message explique unsqueeze().
squeeze() peut obtenir le tenseur 0D ou plus D de zéro ou plusieurs éléments dont zéro ou plusieurs dimensions sont supprimées si la taille est 1 du tenseur 0D ou plus D de zéro ou plusieurs éléments comme indiqué ci-dessous :
*Mémos :
- squeeze() peut être utilisé avec une torche ou un tenseur.
- Le 1er argument (entrée) avec torch ou en utilisant un tenseur (Required-Type : tenseur de int, float, complexe ou bool).
- Le 2ème argument avec torch ou le 1er ou plusieurs arguments avec un tenseur sont dim(Optional-Type:int, tuple of int ou list of int) :
*Mémos :
- Chaque numéro doit être unique.
- Il peut supprimer le zéro spécifique ou plusieurs dimensions dont la taille est 1.
- Si la taille n'est pas 1, zéro ou plusieurs dimensions ne sont pas supprimées même si vous la définissez.
import torch my_tensor = torch.tensor([[[[0], [1]], [[2], [3]], [[4], [5]]]]) torch.squeeze(input=my_tensor) my_tensor.squeeze() torch.squeeze(input=my_tensor, dim=(0, 3)) my_tensor.squeeze(dim=(0, 3)) my_tensor.squeeze(0, 3) torch.squeeze(input=my_tensor, dim=(0, 1, 3)) my_tensor.squeeze(dim=(0, 1, 3)) my_tensor.squeeze(0, 1, 3) etc. torch.squeeze(input=my_tensor, dim=(0, 1, 2, 3)) my_tensor.squeeze(dim=(0, 1, 2, 3)) my_tensor.squeeze(0, 1, 2, 3) etc. # tensor([[0, 1], # [2, 3], # [4, 5]]) torch.squeeze(input=my_tensor, dim=0) torch.squeeze(input=my_tensor, dim=-4) torch.squeeze(input=my_tensor, dim=(0,)) torch.squeeze(input=my_tensor, dim=(-4,)) torch.squeeze(input=my_tensor, dim=(0, 1)) torch.squeeze(input=my_tensor, dim=(0, 2)) torch.squeeze(input=my_tensor, dim=(0, -2)) torch.squeeze(input=my_tensor, dim=(0, -3)) torch.squeeze(input=my_tensor, dim=(1, 0)) etc. torch.squeeze(input=my_tensor, dim=(0, 1, 2)) etc. # tensor([[[0], [1]], # [[2], [3]], # [[4], [5]]]) torch.squeeze(input=my_tensor, dim=1) torch.squeeze(input=my_tensor, dim=2) torch.squeeze(input=my_tensor, dim=-2) torch.squeeze(input=my_tensor, dim=-3) torch.squeeze(input=my_tensor, dim=()) torch.squeeze(input=my_tensor, dim=(1,)) torch.squeeze(input=my_tensor, dim=(2,)) torch.squeeze(input=my_tensor, dim=(-2,)) torch.squeeze(input=my_tensor, dim=(-3,)) torch.squeeze(input=my_tensor, dim=(1, 2)) etc. # tensor([[[[0], [1]], # [[2], [3]], # [[4], [5]]]]) torch.squeeze(input=my_tensor, dim=3) torch.squeeze(input=my_tensor, dim=-1) torch.squeeze(input=my_tensor, dim=(3,)) torch.squeeze(input=my_tensor, dim=(-1,)) torch.squeeze(input=my_tensor, dim=(1, 3)) torch.squeeze(input=my_tensor, dim=(1, -1)) torch.squeeze(input=my_tensor, dim=(2, 3)) torch.squeeze(input=my_tensor, dim=(2, -1)) torch.squeeze(input=my_tensor, dim=(3, 1)) etc. torch.squeeze(input=my_tensor, dim=(1, 2, 3)) etc. # tensor([[[0, 1], # [2, 3], # [4, 5]]]) my_tensor = torch.tensor([[[[0.], [1.]], [[2.], [3.]], [[4.], [5.]]]]) torch.squeeze(input=my_tensor) # tensor([[0., 1.], # [2., 3.], # [4., 5.]]) my_tensor = torch.tensor([[[[0.+0.j], [1.+0.j]], [[2.+0.j], [3.+0.j]], [[4.+0.j], [5.+0.j]]]]) torch.squeeze(input=my_tensor) # tensor([[0.+0.j, 1.+0.j], # [2.+0.j, 3.+0.j], # [4.+0.j, 5.+0.j]]) my_tensor = torch.tensor([[[[True], [False]], [[False], [True]], [[True], [False]]]]) torch.squeeze(input=my_tensor) # tensor([[True, False], # [False, True], # [True, False]])
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Python est une langue interprétée, mais elle comprend également le processus de compilation. 1) Le code Python est d'abord compilé en bytecode. 2) ByteCode est interprété et exécuté par Python Virtual Machine. 3) Ce mécanisme hybride rend Python à la fois flexible et efficace, mais pas aussi rapide qu'une langue entièrement compilée.

Usaforloopwheniterating aepasquenceorfor pourpascific inumberoftimes; useawhileloopwencontinTutuntutilaconditioniseMet.ForloopsareIdealForkNown séquences, tandis que celle-ci, ce qui est en train de réaliser des étages.

PythonloopscanleadtoerrorlikeInfiniteLoops, modificationlistDuringiteration, off-by-by-oneerrors, zéro-indexingisss et intestloopinefficisecy.toavoid this: 1) use'i

ForloopsAreAdvantageSousForkNowiterations et séquences, offrant laimplicité et la réadaptation;

Pythonusahybridmodelofcompilation et interprétation: 1) thepythoninterpreterCompileSourCodeIntOplatform-indépendantBytecode.2) thepythonvirtualmachine (pvm) there examenesthisbytecode, équilibrage de l'usage de la performance.

Pythonisbothinterpretedand compiled.1) il est composédToByteCodeForportabilityAcrosplatforms.2) theytecodeisthenter interprété, permettant à OrdayNamictypingAndRapidDevelopment, bien que MaybeSlowerSlowerSwower, aisance.

Forloopsareideal quand vous savez que l'immatriculation des adressages a une avance, tandis que ce qui est de savoir si

Forloopsaseesesed whenthenUmberoFitations dissownininadvance, tandis que celle-ci a été utilisé sur les éléments de la dispense


Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Navigateur d'examen sécurisé
Safe Exam Browser est un environnement de navigation sécurisé permettant de passer des examens en ligne en toute sécurité. Ce logiciel transforme n'importe quel ordinateur en poste de travail sécurisé. Il contrôle l'accès à n'importe quel utilitaire et empêche les étudiants d'utiliser des ressources non autorisées.

ZendStudio 13.5.1 Mac
Puissant environnement de développement intégré PHP

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

VSCode Windows 64 bits Télécharger
Un éditeur IDE gratuit et puissant lancé par Microsoft

MinGW - GNU minimaliste pour Windows
Ce projet est en cours de migration vers osdn.net/projects/mingw, vous pouvez continuer à nous suivre là-bas. MinGW : un port Windows natif de GNU Compiler Collection (GCC), des bibliothèques d'importation et des fichiers d'en-tête librement distribuables pour la création d'applications Windows natives ; inclut des extensions du runtime MSVC pour prendre en charge la fonctionnalité C99. Tous les logiciels MinGW peuvent fonctionner sur les plates-formes Windows 64 bits.
