torch.unsqueeze(1)详解

torch.unsqueeze(1)是PyTorch中的一个函数，用于在指定维度上增加一个维度。具体来说，它会在给定的维度上插入一个大小为1的维度。

例如，假设有一个形状为(3, 4)的张量A，使用torch.unsqueeze(1)后，会得到一个形状为(3, 1, 4)的新张量B。在这个例子中，原来的第1维度变成了第2维度，而新增加的维度大小为1。

这个函数在深度学习中经常用于处理需要扩展维度的情况，比如在进行卷积操作时，需要将输入张量的通道数维度扩展为适配卷积核的通道数。

相关问题

class STFT(torch.nn.Module):类代码详解

`STFT` 是一个 PyTorch 模块，用于计算短时傅里叶变换（Short-Time Fourier Transform，STFT），是一种常用的信号处理技术。下面是这个模块的详细解释：

class STFT(torch.nn.Module):
    def __init__(self, filter_length=2048, hop_length=512, win_length=None,
                 window='hann', center=True, pad_mode='reflect', freeze_parameters=True):
        super().__init__()

        self.filter_length = filter_length
        self.hop_length = hop_length
        self.center = center
        self.pad_mode = pad_mode

        if win_length is None:
            win_length = filter_length

        self.win_length = win_length
        self.window = get_window(window, win_length)

        # Create filter kernel
        fft_basis = np.fft.fft(np.eye(filter_length))
        kernel = np.concatenate([np.real(fft_basis[:filter_length // 2 + 1, :]),
                                 np.imag(fft_basis[:filter_length // 2 + 1, :])], 0)
        self.register_buffer('kernel', torch.tensor(kernel, dtype=torch.float32))

        # Freeze parameters
        if freeze_parameters:
            for name, param in self.named_parameters():
                param.requires_grad = False

    def forward(self, waveform):
        assert (waveform.dim() == 1)

        # Pad waveform
        if self.center:
            waveform = nn.functional.pad(waveform.unsqueeze(0),
                                          (self.filter_length // 2, self.filter_length // 2),
                                          mode='constant',
                                          value=0)
        else:
            waveform = nn.functional.pad(waveform.unsqueeze(0),
                                          (self.filter_length - self.hop_length, 0),
                                          mode='constant',
                                          value=0)

        # Window waveform
        if waveform.shape[-1] < self.win_length:
            waveform = nn.functional.pad(waveform, (self.win_length - waveform.shape[-1], 0),
                                          mode='constant',
                                          value=0)

        waveform = waveform.squeeze(0)
        if self.window.device != waveform.device:
            self.window = self.window.to(waveform.device)

        windowed_waveform = waveform * self.window

        # Pad for linear convolution
        if self.center:
            windowed_waveform = nn.functional.pad(windowed_waveform,
                                                   (self.filter_length // 2, self.filter_length // 2),
                                                   mode='constant',
                                                   value=0)
        else:
            windowed_waveform = nn.functional.pad(windowed_waveform,
                                                   (self.filter_length - self.hop_length, 0),
                                                   mode='constant',
                                                   value=0)

        # Perform convolution
        fft = torch.fft.rfft(windowed_waveform.unsqueeze(0), dim=1)
        fft = torch.cat((fft.real, fft.imag), dim=1)
        output = torch.matmul(fft, self.kernel)

        # Remove redundant frequencies
        output = output[:, :self.filter_length // 2 + 1, :]

        return output

- `__init__` 方法：构造方法，用于初始化模块的各个参数。其中，`filter_length` 表示 STFT 的滤波器长度，`hop_length` 表示 STFT 的帧移（即相邻帧之间的采样点数），`win_length` 表示 STFT 的窗函数长度，`window` 是指定的窗函数类型（默认为汉宁窗），`center` 表示是否需要在信号两端填充 0 以保证 STFT 的中心位置与输入信号的中心位置对齐，`pad_mode` 是指定填充方式（默认为反射填充），`freeze_parameters` 表示是否需要冻结模块的参数。

- `forward` 方法：前向传播方法，用于计算输入信号的 STFT。其中，`waveform` 表示输入信号。首先，根据 `center` 和 `pad_mode` 对输入信号进行填充和窗函数处理，然后进行线性卷积，最后通过傅里叶变换计算 STFT。返回的 `output` 是一个张量，表示 STFT 系数。

torch.sqeeeze)

torch.squeeze()函数的功能是将张量中维度大小为1的维度去除。它可以通过指定dim参数来选择去除哪个维度的大小为1的维度。如果不指定dim参数，则会去除所有大小为1的维度。\[3\]
#### 引用[.reference_title]
- *1* *2* [Pytorch中torch.unsqueeze()和torch.squeeze()函数解析](https://blog.csdn.net/flyingluohaipeng/article/details/125092937)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [torch unsqueeze()详解](https://blog.csdn.net/weixin_45625942/article/details/127889109)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]