对列表中的元素是tensor形式，取出后在进行合并的代码块

最新推荐文章于 2024-06-29 05:52:08 发布
最新推荐文章于 2024-06-29 05:52:08 发布
阅读量493 收藏 1
点赞数
分类专栏： 自然语言处理 深度学习 python
原文链接：https://blog.csdn.net/zouxiaolv/article/details/108491498
版权 
#对列表中的元素是tensor形式，取出后在进行合并的代码块
import torch
import torch.nn as nn
 
import numpy as np
v= torch.rand(1,3,5,5)
a = torch.rand(1,3,5,5)
g = torch.rand(1,3,5,5)
print('v = ',v)
print('a = ',a)
print('g = ',g)
cc = [v,a,g]
print('cc =',cc)
# print('cc =',cc[0][0])
kk = cc[0]
for i in range(1,3):
 
    kk =torch.cat([kk,cc[i]],dim=1)
print('kk = ',kk)

输出：

v =  tensor([[[[0.6059, 0.3054, 0.5200, 0.5751, 0.1770],
          [0.0119, 0.3483, 0.7714, 0.8116, 0.4110],
          [0.0721, 0.7408, 0.2906, 0.1604, 0.3585],
          [0.3620, 0.9603, 0.5209, 0.2113, 0.4210],
          [0.8271, 0.0126, 0.5542, 0.4912, 0.3096]],
 
         [[0.0705, 0.7614, 0.1113, 0.8989, 0.7568],
          [0.2034, 0.3129, 0.4130, 0.4895, 0.8762],
          [0.2438, 0.3747, 0.3034, 0.7641, 0.1040],
          [0.7863, 0.1884, 0.7428, 0.7889, 0.6837],
          [0.6977, 0.5085, 0.7210, 0.6363, 0.7057]],
 
         [[0.0628, 0.6271, 0.3749, 0.2456, 0.5753],
          [0.9370, 0.0462, 0.3693, 0.1685, 0.7179],
          [0.2888, 0.1039, 0.2867, 0.2473, 0.4370],
          [0.4085, 0.0895, 0.9019, 0.3055, 0.5997],
          [0.7072, 0.0653, 0.8974, 0.9605, 0.0515]]]])
a =  tensor([[[[0.5081, 0.2016, 0.3595, 0.5647, 0.6166],
          [0.1537, 0.1610, 0.4695, 0.7655, 0.2025],
          [0.7134, 0.4207, 0.3419, 0.4681, 0.7792],
          [0.8102, 0.2134, 0.8475, 0.5760, 0.6482],
          [0.8896, 0.5883, 0.1221, 0.5238, 0.3383]],
 
         [[0.8911, 0.4325, 0.0665, 0.5608, 0.6368],
          [0.6696, 0.0119, 0.7177, 0.2349, 0.9821],
          [0.1365, 0.2518, 0.2800, 0.0642, 0.8160],
          [0.8505, 0.2082, 0.0993, 0.3335, 0.0956],
          [0.6343, 0.5207, 0.0191, 0.7632, 0.9919]],
 
         [[0.7351, 0.6021, 0.0938, 0.7139, 0.6526],
          [0.6404, 0.3496, 0.4939, 0.8169, 0.8686],
          [0.9611, 0.7747, 0.1785, 0.2085, 0.9276],
          [0.9635, 0.2078, 0.6476, 0.7075, 0.4646],
          [0.1031, 0.1586, 0.1619, 0.5944, 0.1751]]]])
g =  tensor([[[[0.2943, 0.6919, 0.1296, 0.2068, 0.1996],
          [0.8720, 0.8587, 0.8966, 0.1579, 0.7721],
          [0.6064, 0.9321, 0.1933, 0.6299, 0.2137],
          [0.5715, 0.5817, 0.3618, 0.5065, 0.9580],
          [0.5033, 0.6510, 0.8061, 0.8505, 0.7614]],
 
         [[0.9084, 0.6394, 0.9369, 0.6663, 0.1645],
          [0.8052, 0.4574, 0.5348, 0.9387, 0.8689],
          [0.5024, 0.3764, 0.2366, 0.3683, 0.8779],
          [0.3009, 0.2337, 0.1286, 0.9421, 0.6681],
          [0.8073, 0.3271, 0.4459, 0.7707, 0.5065]],
 
         [[0.1283, 0.7590, 0.8975, 0.7848, 0.9386],
          [0.8646, 0.3976, 0.4809, 0.0489, 0.1203],
          [0.5841, 0.7714, 0.8688, 0.4576, 0.5153],
          [0.6509, 0.2691, 0.0931, 0.3019, 0.3734],
          [0.7895, 0.6699, 0.0211, 0.1625, 0.4616]]]])
cc = [tensor([[[[0.6059, 0.3054, 0.5200, 0.5751, 0.1770],
          [0.0119, 0.3483, 0.7714, 0.8116, 0.4110],
          [0.0721, 0.7408, 0.2906, 0.1604, 0.3585],
          [0.3620, 0.9603, 0.5209, 0.2113, 0.4210],
          [0.8271, 0.0126, 0.5542, 0.4912, 0.3096]],
 
         [[0.0705, 0.7614, 0.1113, 0.8989, 0.7568],
          [0.2034, 0.3129, 0.4130, 0.4895, 0.8762],
          [0.2438, 0.3747, 0.3034, 0.7641, 0.1040],
          [0.7863, 0.1884, 0.7428, 0.7889, 0.6837],
          [0.6977, 0.5085, 0.7210, 0.6363, 0.7057]],
 
         [[0.0628, 0.6271, 0.3749, 0.2456, 0.5753],
          [0.9370, 0.0462, 0.3693, 0.1685, 0.7179],
          [0.2888, 0.1039, 0.2867, 0.2473, 0.4370],
          [0.4085, 0.0895, 0.9019, 0.3055, 0.5997],
          [0.7072, 0.0653, 0.8974, 0.9605, 0.0515]]]]), tensor([[[[0.5081, 0.2016, 0.3595, 0.5647, 0.6166],
          [0.1537, 0.1610, 0.4695, 0.7655, 0.2025],
          [0.7134, 0.4207, 0.3419, 0.4681, 0.7792],
          [0.8102, 0.2134, 0.8475, 0.5760, 0.6482],
          [0.8896, 0.5883, 0.1221, 0.5238, 0.3383]],
 
         [[0.8911, 0.4325, 0.0665, 0.5608, 0.6368],
          [0.6696, 0.0119, 0.7177, 0.2349, 0.9821],
          [0.1365, 0.2518, 0.2800, 0.0642, 0.8160],
          [0.8505, 0.2082, 0.0993, 0.3335, 0.0956],
          [0.6343, 0.5207, 0.0191, 0.7632, 0.9919]],
 
         [[0.7351, 0.6021, 0.0938, 0.7139, 0.6526],
          [0.6404, 0.3496, 0.4939, 0.8169, 0.8686],
          [0.9611, 0.7747, 0.1785, 0.2085, 0.9276],
          [0.9635, 0.2078, 0.6476, 0.7075, 0.4646],
          [0.1031, 0.1586, 0.1619, 0.5944, 0.1751]]]]), tensor([[[[0.2943, 0.6919, 0.1296, 0.2068, 0.1996],
          [0.8720, 0.8587, 0.8966, 0.1579, 0.7721],
          [0.6064, 0.9321, 0.1933, 0.6299, 0.2137],
          [0.5715, 0.5817, 0.3618, 0.5065, 0.9580],
          [0.5033, 0.6510, 0.8061, 0.8505, 0.7614]],
 
         [[0.9084, 0.6394, 0.9369, 0.6663, 0.1645],
          [0.8052, 0.4574, 0.5348, 0.9387, 0.8689],
          [0.5024, 0.3764, 0.2366, 0.3683, 0.8779],
          [0.3009, 0.2337, 0.1286, 0.9421, 0.6681],
          [0.8073, 0.3271, 0.4459, 0.7707, 0.5065]],
 
         [[0.1283, 0.7590, 0.8975, 0.7848, 0.9386],
          [0.8646, 0.3976, 0.4809, 0.0489, 0.1203],
          [0.5841, 0.7714, 0.8688, 0.4576, 0.5153],
          [0.6509, 0.2691, 0.0931, 0.3019, 0.3734],
          [0.7895, 0.6699, 0.0211, 0.1625, 0.4616]]]])]
kk =  tensor([[[[0.6059, 0.3054, 0.5200, 0.5751, 0.1770],
          [0.0119, 0.3483, 0.7714, 0.8116, 0.4110],
          [0.0721, 0.7408, 0.2906, 0.1604, 0.3585],
          [0.3620, 0.9603, 0.5209, 0.2113, 0.4210],
          [0.8271, 0.0126, 0.5542, 0.4912, 0.3096]],
 
         [[0.0705, 0.7614, 0.1113, 0.8989, 0.7568],
          [0.2034, 0.3129, 0.4130, 0.4895, 0.8762],
          [0.2438, 0.3747, 0.3034, 0.7641, 0.1040],
          [0.7863, 0.1884, 0.7428, 0.7889, 0.6837],
          [0.6977, 0.5085, 0.7210, 0.6363, 0.7057]],
 
         [[0.0628, 0.6271, 0.3749, 0.2456, 0.5753],
          [0.9370, 0.0462, 0.3693, 0.1685, 0.7179],
          [0.2888, 0.1039, 0.2867, 0.2473, 0.4370],
          [0.4085, 0.0895, 0.9019, 0.3055, 0.5997],
          [0.7072, 0.0653, 0.8974, 0.9605, 0.0515]],
 
         [[0.5081, 0.2016, 0.3595, 0.5647, 0.6166],
          [0.1537, 0.1610, 0.4695, 0.7655, 0.2025],
          [0.7134, 0.4207, 0.3419, 0.4681, 0.7792],
          [0.8102, 0.2134, 0.8475, 0.5760, 0.6482],
          [0.8896, 0.5883, 0.1221, 0.5238, 0.3383]],
 
         [[0.8911, 0.4325, 0.0665, 0.5608, 0.6368],
          [0.6696, 0.0119, 0.7177, 0.2349, 0.9821],
          [0.1365, 0.2518, 0.2800, 0.0642, 0.8160],
          [0.8505, 0.2082, 0.0993, 0.3335, 0.0956],
          [0.6343, 0.5207, 0.0191, 0.7632, 0.9919]],
 
         [[0.7351, 0.6021, 0.0938, 0.7139, 0.6526],
          [0.6404, 0.3496, 0.4939, 0.8169, 0.8686],
          [0.9611, 0.7747, 0.1785, 0.2085, 0.9276],
          [0.9635, 0.2078, 0.6476, 0.7075, 0.4646],
          [0.1031, 0.1586, 0.1619, 0.5944, 0.1751]],
 
         [[0.2943, 0.6919, 0.1296, 0.2068, 0.1996],
          [0.8720, 0.8587, 0.8966, 0.1579, 0.7721],
          [0.6064, 0.9321, 0.1933, 0.6299, 0.2137],
          [0.5715, 0.5817, 0.3618, 0.5065, 0.9580],
          [0.5033, 0.6510, 0.8061, 0.8505, 0.7614]],
 
         [[0.9084, 0.6394, 0.9369, 0.6663, 0.1645],
          [0.8052, 0.4574, 0.5348, 0.9387, 0.8689],
          [0.5024, 0.3764, 0.2366, 0.3683, 0.8779],
          [0.3009, 0.2337, 0.1286, 0.9421, 0.6681],
          [0.8073, 0.3271, 0.4459, 0.7707, 0.5065]],
 
         [[0.1283, 0.7590, 0.8975, 0.7848, 0.9386],
          [0.8646, 0.3976, 0.4809, 0.0489, 0.1203],
          [0.5841, 0.7714, 0.8688, 0.4576, 0.5153],
          [0.6509, 0.2691, 0.0931, 0.3019, 0.3734],
          [0.7895, 0.6699, 0.0211, 0.1625, 0.4616]]]])

 

 

anshiquanshu
关注
专栏目录
list中都是tensor型向量，最终将list整体转成tensor
weixin_39417324的博客
02-25 3865
import torch list=[torch.ones((1,50)),torch.ones((1,50)),torch.ones((1,50))] list=torch.stack(list)
【AI面试】分类损失横评：CrossEntropy Loss 、Balanced Cross Entropy、 Dice Loss 和 Focal Loss
钱多多先森
05-24 1372
分类损失学习汇总
#对列表中的元素是tensor形式，取出后在进行合并的代码块
邹小驴
09-09 553
#对列表中的元素是tensor形式，取出后在进行合并的代码块 import torch import torch.nn as nn import numpy as np # vec = [[1,2,3],[4,5,6],[7,8,9]] v= torch.rand(1,3,5,5) a = torch.rand(1,3,5,5) g = torch.rand(1,3,5,5) print('v = ',v) print('a = ',a) print('g = ',g) cc = [v,a,g] pri.
pytorch根据已有list得到不同数据类型的tensor变量
weixin_51357842的博客
07-14 480
pytorch根据已有list得到不同数据类型的tensor变量
list里面装tensor(pytorch的)如何合并起来
artistkeepmonkey的博客
11-06 1万+
问题简述： 使用pytorch中tensor时，有时需要将多个tensor合并成一个高维tensor 或者是list中装着多个同纬度的tensor，想让这个list转为tensor 核心方法： torch.stack() def stack(tensors: Union[Tuple[Tensor, ...], List[Tensor]], dim: _int=0, *, out: Optional[Tensor]=None) -> Tensor: 代码示范 def listToTe.
如何把一个列表转化为tensor格式
weixin_42603332的博客
01-20 3115
可以使用 PyTorch 中的 torch.tensor() 函数将列表转换为 tensor。例如，将列表 [1, 2, 3] 转换为 tensor 的语句为： torch.tensor([1, 2, 3]) 可以用torch.as_tensor() 和 torch.from_numpy() 也可以将列表转化为 tensor. torch.as_tensor(list, dtype=None, d...
python选取tensor某一维_超简单！pytorch入门教程（一）：Tensor
weixin_39883065的博客
12-11 3875
Zen君的配置是macbook pro，升级到Mac Serria安装不了qt，无法显示图片，好在发现了pytorch，正好Zen君以前也玩过python的，所以非常激动。这个教程系列也是趁着心情激动写下来的，不知道会不会持续更新，暂时别抱有期待：)一、pytorch安装安装pytorch之前，需要安装好python(废话)，还没安装过python的宝宝请先移步到廖雪峰的python教程，待安装熟...
第五章：模型与分词器
最新发布
南七小僧的学海无涯
06-29 57
本章我们将介绍 Transformers 库中的两个重要组件：**模型**和**分词器**。 ## 5.1 模型 除了像之前使用 `AutoModel` 根据 checkpoint 自动加载模型以外，我们也可以直接使用模型对应的 `Model` 类，例如 BERT 对应的就是 `BertModel`： ``` from transformers import BertModel model = BertModel.from_pretrained("bert-base-cased") ``` 注意，
利用RNN进行分类。pytorch nlp:从零开始的NLP：使用字符级RNN对名称进行分类
numberseven7的博客
01-06 1008
写这个不易，如果有帮助，请点个赞，让更多人看到。 转载请注明出处！！！ 这篇文章，来自于以下链接， 该文章在实现过程中，由浅入深，但是代码并未给太多注释。当时作为一个新手的我，也是看的磕磕绊绊，边阅读边注释，而且注释的很随意。现在闲有余空，把之前的注释都放出来（作为一个初学者，可能有不少注释错误，仅当做参考哈）。 该原文章来自pytorch， 链接（点击此处）： https://pytorch.o...
TensorFlow中cnn-cifar10样例代码详解
热门推荐
为之则易，不为则难
11-11 2万+
       TensorFlow是一个支持分布式的深度学习框架，在Google的推动下，它正在变得越来越普及。我最近学了TensorFlow教程上的一个例子，即采用CNN对cifar10数据集进行分类。在看源代码的时候，看完后有一种似懂非懂的感觉，又考虑到这个样例涵盖了tensorflow的大部分语法知识，包括QueueRunners机制、Tensorboard可视化和多GPU数据并行编程等。“...
【Pytorch】tensor索引另一个tensor（tensor[tensor]）
ProLover98的博客
03-30 4237
说明 最近在使用pytorch中tensor的时候，遇到了需要使用tensor1[tensor2]的情况，发现了这篇博客，他从代码的角度解释了其工作原理，这里我用图示的方式解释tensor类型为longTensor时的情况 工作原理 首先，创建两个tensor，如下：import numpy as np import torch x1 = np.array([[1,0,0,1],[1,1,0,1...
转载：将装有tensor的list转为tensor——即将多个一维tensor合并成1个多维tensor——torch.stack()
weixin_41529093的博客
08-05 5206
仅作为记录，大佬请跳过。 直接上代码 import torch tensor1=torch.tensor([1,2,3]) tensor2=torch.tensor([4,5,6]) tensor_list=[] tensor_list.append(tensor1) tensor_list.append(tensor2) final_tensor=torch.stack(tensor_list,0) print(tensor_list) print(type(tensor_list)) prin
torch将多个tensor张量合并为一个张量，只提高迷你批次的纬度
xxhjxx的博客
03-16 6671
在自己写pytorch的数据集加载函数时，会遇到一个问题，如何将多张图片张量合并到一起，提升迷你批次batch的纬度，但是不影响图片的大小和RGB通道数 解决方法： 函数torch.cat（inputs，dim） 这里的inputs是你要合并的图像，dim=多少代表你打算让他们在哪个纬度上融合 import cv2 import torch image_path = 'F:\\Pythontest\\cnn\\data\\train\\n01440764\\n01440764_13316.JPEG' ima
Pytorch:将列表数据转不同数据类型的Tensor矩阵
SHY0978的博客
03-20 3760
列表转Tensor
以tensor为元素的list，转为tensor
abrillientboy的博客
11-17 5142
以tensor为元素的list，转为tensor batch_pred_scores = torch.cat(tuple(batch_pred_scores), 0)
python学习笔记【2】——区分python中的列表(list),数组(array),元组(tuple),矩阵(matrix),张量(tensor,来自tensorflow)
u011204955的博客
11-28 5739
最近学习python以及tensorflow，由于不是相关专业的，被各种类似概念搞得头大，有时候混淆在所难免。其实很多概念只是在不同的环境下用了不同的名称，其数学本质是相同的，通过一段时间的网上查询和学习，这里我就试图捋一捋这几个经常遇到的概念： 【1】列表——list（python概念） python中的列表通常通过a = [ ] 创建，list内的元素可以为数字，字符串等，元素类型可不同。...
一些小技巧——保存tensor和读取tensor
vegetable_me的博客
03-28 4835
保存和加载tensor到本地文件
nn.Upsample对不同维度tensor上采样
longshaonihaoa的博客
03-16 3649
torch中， 我现在想把一个纬度为[bs, channel, depth, height, width]的3D tensor 通过nn.Upsample转换为 [bs, channel, depth, height*2, width*2]的tensor 则，init定义上采样是应为： self.upsacle = nn.Upsample(scale_f...
tensor类型与list类型数据的一些区别
dmy88888的博客
11-21 2887
由tensorflow的一些函数创建的数据和直接创建的list,tuple等数据使用是有一些区别的，故记录以供查阅。 1. 索引的差别： [(1,2),(3,4),(6,7)] 想要得到每一个tuple的第二个数，即[2,4,7] a = [(1,2),(3,4),(6,7)] a[:,1] Traceback (most recent call last): File "<...
pytorch tensor取出不为0的值并进行合并
09-05
要取出PyTorch张量中不为0的值，并将它们合并到一个新的张量中，可以按照以下步骤进行： 1. 导入PyTorch库：首先需要导入PyTorch库，以便使用其中的函数和类。 2. 创建张量：可以使用torch.Tensor()函数创建一个...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值