Achetez-moi un café☕
*Mon message explique squeeze().
unsqueeze() peut obtenir le tenseur 1D ou plus D de zéro ou plusieurs éléments avec une dimension supplémentaire dont la taille est 1 à partir du tenseur 0D ou plus D de zéro ou plusieurs éléments, comme indiqué ci-dessous :
*Mémos :
- unsqueeze() 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 une torche ou le 1er argument avec un tenseur est dim(Required-Type:int). *Il peut ajouter la dimension dont la taille est 1 à une position spécifique.
import torch my_tensor = torch.tensor([[0, 1, 2], [3, 4, 5], [6, 7, 8], [10, 11, 12]]) torch.unsqueeze(input=my_tensor, dim=0) my_tensor.unsqueeze(dim=0) torch.unsqueeze(input=my_tensor, dim=-3) # tensor([[[0, 1, 2], # [3, 4, 5], # [6, 7, 8] # [10, 11, 12]]]) torch.unsqueeze(input=my_tensor, dim=1) torch.unsqueeze(input=my_tensor, dim=-2) # tensor([[[0, 1, 2]], # [[3, 4, 5]], # [[6, 7, 8]] # [[10, 11, 12]]]) torch.unsqueeze(input=my_tensor, dim=2) torch.unsqueeze(input=my_tensor, dim=-1) # tensor([[[0], [1], [2]], # [[3], [4], [5]], # [[6], [7], [8]], # [[10], [11], [12]]]) torch.unsqueeze(input=my_tensor, dim=3) torch.unsqueeze(input=my_tensor, dim=-1) # tensor([[[[0], [1], [2], [3]], [[4], [5], [6], [7]]], # [[[8], [9], [10], [11]], [[12], [13], [14], [15]]], # [[[16], [17], [18], [19]], [[20], [21], [22], [23]]]]) my_tensor = torch.tensor([[0., 1., 2.], [3., 4., 5.], [6., 7., 8.], [10., 11., 12.]]) torch.unsqueeze(input=my_tensor, dim=0) # tensor([[[0., 1., 2.], # [3., 4., 5.], # [6., 7., 8.], # [10., 11., 12.]]]) my_tensor = torch.tensor([[0.+0.j, 1.+0.j, 2.+0.j], [3.+0.j, 4.+0.j, 5.+0.j], [6.+0.j, 7.+0.j, 8.+0.j], [10.+0.j, 11.+0.j, 12.+0.j]]) torch.unsqueeze(input=my_tensor, dim=0) # tensor([[[0.+0.j, 1.+0.j, 2.+0.j], # [3.+0.j, 4.+0.j, 5.+0.j], # [6.+0.j, 7.+0.j, 8.+0.j], # [10.+0.j, 11.+0.j, 12.+0.j]]]) my_tensor = torch.tensor([[True, False, True], [False, True, False], [True, False, True], [False, True, False]]) torch.unsqueeze(input=my_tensor, dim=0) # tensor([[[True, False, True], # [False, True, False], # [True, False, True], # [False, 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!

SlitingyPapyThonListIsDoneUsingTheSyntaxList [Démarrage: arrêt: étape] .He'showitworks: 1) startisheindexofthefirStelementoinclude.2) stopisTheIndexoftheFirstelementsoexclude.3) StepistheincrementBetweenselans.it'susefulfactingPortationSoListShsandCanusegeg

NumpyAllowsForvariousOperations ONARRAYS: 1) BasicarithmeticLikeaddition, Soustraction, Multiplication, anddivision; 2) AdvancedOperationSuchasmatrixMultiplication; 3) Element-Wiseoperations withoutExplicitloop

ArraySinpython, en particulier ThroughNumpyandPandas, aressentialfordataanalysis, offingspeeedAfficiency.1) numpyarrayablefficienthandlingoflargedatasetsandComplexOperationsLikEMoVingAverages.2)

ListsandNumpyArraysInpythonHaveDidifferentMemoryfootprints: listsaRemoreFlexibles Butlessmemory économe, tandis que la liste de résensés est-ce qui

ToenSurepythonscriptsBeHavecorrectlyAcrossDevelopment, mise en scène et production, catégories de type: 1) EnvironmentVariblesForsImplesettings, 2) ConfigurationFilesForComplexsetups et3) dynamicloadingforadaptability.eachMethodoffersNebeneFitsAndreCeresca

La syntaxe de base pour le découpage de la liste Python est la liste [Démarrage: arrêt: étape]. 1.Start est le premier index d'élément inclus, 2.STOP est le premier indice d'élément exclu et 3.StEP détermine la taille de l'étape entre les éléments. Les tranches sont non seulement utilisées pour extraire les données, mais aussi pour modifier et inverser les listes.

ListesoutPerformarRaySin: 1) dynamicingizingandfrequentinSertions / Deletions, 2) StoringheteroGeneousData, and3) MemoryEfficiencyForsparsedata, butmayhaveslightperformanceCostSincertorations.

Toconvertapythonarraytoalist, usethelist () Constructororageneratorexpression.1) ImportTheArrayModuleandCreateArray.2) Uselist (Arr) ou [Xforxinarr] à Convertittoalist, considérant la performance et le domaine de l'émie-efficacité pour les étages.


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

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.

Version crackée d'EditPlus en chinois
Petite taille, coloration syntaxique, ne prend pas en charge la fonction d'invite de code

Télécharger la version Mac de l'éditeur Atom
L'éditeur open source le plus populaire

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

SublimeText3 version anglaise
Recommandé : version Win, prend en charge les invites de code !
