PyTorch常用知识点

torch.cat

• torch.cat是将两个张量（tensor）拼接在一起。
• 使用torch.cat((A,B),dim)时，除拼接维数dim数值可不同外其余维数数值需相同，方能对齐。

• 
  >>> import torch
  >>> A=torch.ones(2,3) #2x3的张量（矩阵）                                     
  >>> A
  tensor([[ 1.,  1.,  1.],
          [ 1.,  1.,  1.]])
  >>> B=2*torch.ones(4,3)#4x3的张量（矩阵）                                    
  >>> B
  tensor([[ 2.,  2.,  2.],
          [ 2.,  2.,  2.],
          [ 2.,  2.,  2.],
          [ 2.,  2.,  2.]])
  >>> C=torch.cat((A,B),0)#按维数0（行）拼接
  >>> C
  tensor([[ 1.,  1.,  1.],
           [ 1.,  1.,  1.],
           [ 2.,  2.,  2.],
           [ 2.,  2.,  2.],
           [ 2.,  2.,  2.],
           [ 2.,  2.,  2.]])
  >>> C.size()
  torch.Size([6, 3])
  >>> D=2*torch.ones(2,4) #2x4的张量（矩阵）
  >>> C=torch.cat((A,D),1)#按维数1（列）拼接
  >>> C
  tensor([[ 1.,  1.,  1.,  2.,  2.,  2.,  2.],
          [ 1.,  1.,  1.,  2.,  2.,  2.,  2.]])
  >>> C.size()
  torch.Size([2, 7])

 

torch.view

• 把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。比如:

• >>>a=torch.Tensor([[[1,2,3],[4,5,6]]])
  >>>b=torch.Tensor([1,2,3,4,5,6])
  >>>print(a.view(1,6))
  >>>print(b.view(1,6))
  tensor([[1., 2., 3., 4., 5., 6.]]) 
  tensor([[1., 2., 3., 4., 5., 6.]]) 
  
  >>>a=torch.Tensor([[[1,2,3],[4,5,6]]])
  >>>print(a.view(3,2))
  tensor([[1., 2.],
          [3., 4.],
          [5., 6.]])

• 上面相当于就是从1，2，3，4，5，6顺序的拿数组来填充需要的形状。
• 另外，参数不可为空。参数中的-1就代表这个位置由其他位置的数字来推断，只要在不致歧义的情况的下，view参数就可以推断出来，也就是人可以推断出形状的情况下，view函数也可以推断出来。比如一个tensor的数据个数是6个，如果view（1，-1），我们就可以根据tensor的元素个数推断出-1代表6。而如果是view（-1，-1，2），人不知道怎么推断，机器也不知道。还有一种情况是人可以推断出来，但是机器推断不出来的：view（-1，-1，6），人可以知道-1都代表1，但是机器不允许同时有两个负1。如果没有-1，那么所有参数的乘积就要和tensor中元素的总个数一致了，否则就会出现错误。

torch.stack