深入探究numpy unsqueeze方法

一、简介

numpy是Python科学计算中一个必不可少的库。作为一个针对数学、科学和工程应用的开源软件库，numpy以其高效处理多维数组的能力而著名。

在numpy中，unsqueeze方法是一个非常有用的工具，在处理数组维度和形状时作用突出。该方法的主要作用是将现有数组的维度“升级”，比如将一维数组转成二维、二维数组转成三维等，具体解释见下文。

二、基础用法

1、使用numpy的ndarray对象创建一维数组，这些示例都需要先导入numpy。

import numpy as np
a = np.array([1,2,3])

2、将a变为两维，使用unsqueeze(0)方法：

b = np.unsqueeze(a,0)
print(b)

输出结果为:

[[1,2,3]]

3、使用unsqueeze(1)方法将a变为两维数组中的另一个形式。

c = np.unsqueeze(a,1)
print(c)

输出结果为:

[[1],
[2],
[3]]

三、多重维度升级

1、使用multi_unsqueeze方法将2维数组转换为4维数组的示例：

def multi_unsqueeze(array,multi_len):
    for i in range(0,multi_len):
        array = np.expand_dims(array, axis=0)
    return array

d = np.array([[1,2,3],[4,5,6]])
e = multi_unsqueeze(d,2)
print(e)
print(e.shape)

输出结果为:

[[[[1,2,3],
[4,5,6]]]]
(1,1,2,3)

2、使用multi_unsqueeze方法将4维数组转为7维数组的示例：

f = np.random.random((1,2,3,4))
g = multi_unsqueeze(f,3)
print(g)
print(g.shape)

输出结果为:

[[[[[[[0.35035014, 0.73532891, 0.20760087, 0.93156085],
     [0.85229622, 0.43939079, 0.40896582, 0.16818142],
     [0.97552122, 0.71718676, 0.53250857, 0.7252463 ]],

    [[0.62278581, 0.81419102, 0.67666077, 0.16315115],
     [0.37933532, 0.96690736, 0.52725527, 0.62981845],
     [0.80647606, 0.12413127, 0.92858384, 0.64232724]],...]]]]]]
(1,1,1,2,3,4,7)

四、应用场景

unsqueeze的应用场景在深度学习中比较多见，比如在图像处理中，将RGB图片的三通道维度进行扩展，成为四维矩阵，或者在一些神经网络中，将数据通过卷积操作后产生的卷积层处理多维度数据。下面是一个示例中展示了怎么在神经网络中使用unsqueeze。

import torch
in_data = torch.randn(64, 3, 28, 28)# 创建64个28x28像素的大小为3通道的image
conv1 = torch.nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1)
output = conv1(in_data)
output.size()# 确认输出结果的形状

这个代码段中，我们创建了64个28x28像素大小的图片，在卷积层中我们设置了3个通道，卷积核的大小为3x3，实现对图片特征的提取，使用unsqueeze对图片进行了扩维，确保卷积层的通道数和图片的通道数相同。