torch.permute()/torch.cat()/torch.add()

已于 2022-03-08 19:03:34 修改
阅读量3k 收藏 14
点赞数 6
分类专栏： 构建神经网络 文章标签： python pytorch
于 2020-12-14 18:17:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/further_Yan/article/details/111180754
版权
维度转换在torch中应用卷积的时候，我们有时候遇到一些问题。1.卷积维度合并// An highlighted blockx0 = torch.rand(3, 224, 224)x1 = torch.rand(3, 224, 224)y0 = torch.cat((x0, x1),0).size()print(y0)y1 = torch.add(x0,x1).size()print(y1)输出结果2 维度变换尺度对应，当然tensor.view()还有其他用法，具体参考源码//
摘要由CSDN通过智能技术生成

维度转换

在torch中应用卷积的时候，我们有时候遇到一些问题。在cv领域我们常见的就是用二维卷积将图片中各种特征进行提取，但是目标检测、分割中都没有涉及到时域。但是一旦涉及到提取时域特征的话，下面三种维度转换就会非常有用，我们可以建立更加丰富的网络。我们可以用一维、二维、三维卷积提取到更加丰富的信息，提升我们网络的鲁棒性。

1.卷积维度合并

torch中torch.cat()和paddle、tensorflow中concate一样，将目标特征图在不同维度上进行拼接。
应用场景，当将特征图分块处理之后，我们在需要将特征进行形状还原的时候使用。而torch.add()代表 的尺寸一样的特征图进行内值相加。这种一般用于特征融合的，提取多特征的时候进行特征融合的时候使用。

// An highlighted block
x0 = torch.rand(3, 224, 224)
x1 = torch
最低0.47元/天 解锁文章
further_Yan
关注
  • 6
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch学习笔记1：张量
weixin_44740082的博客
06-07 1471
目录 Tensor与numpy相互转换： torch.ones(),torch.add(),torch.zeros(),torch.squeeze() Tensor与numpy相互转换： import torch x=torch.Tensor(2,3)#生成一个4*5的Tensor张量 将Tensor转换为numpy数组 y=x.numpy() 将numpy数组转换为Tenso...
Pytorch torch.add() torch.add_() 用法
热门推荐
百般回首曾经的相遇，留下的只是一缕残忆
07-26 1万+
Pytorch torch.add() torch.add_() 用法
torch.cat 与 torch.concat函数
最新发布
qq_43701910的博客
06-07 1396
将给定序列的张量在给定维度上连接起来。
torch.cat()、 torch.add()、torch.subtract()、torch.subtract()和torch.div()函数详解和示例
不定时分享，互相学习，共同进步
11-12 2590
本文通过原理和示例对torch.cat()、 torch.add()、torch.subtract()、torch.subtract()、torch.div()和torch.linalg.solve() 函数进行详解，以帮助大家理解和使用。
torch的max，sqeeze，unsqueeze，permute，cat，view测试
影子
03-08 139
【代码】torch的max，sqeeze，unsqueeze，permute，cat，view测试。
PyTorch cat, stack, transpose, permute, view和reshape详解
frighting_ing的博客
01-03 1306
简述 使用Pytorch过程中，我们经常对torch类型矩阵进行变换，常用的命令较多，我也将常用的命令进行学习整理，欢迎各位小伙伴一起学习，有错误欢迎批评指正！ 1. cat 对数据沿着某一维度进行拼接。cat后数据的总维数不变. 比如下面代码对两个2维tensor（分别为2x3,1x3）进行拼接，拼接完后变为3x3还是2维的tensor。 import torch x = torch.randn(2, 3) #tensor([[ 0.6614, 0.2669, 0.0617], # [
pytorch permute维度转换方法
09-19
input_tensor = torch.randn(bs, num_anchors * bbox_attrs, in_h, in_w) # 使用 view 和 permute 调整维度顺序 prediction = input_tensor.view(bs, num_anchors, bbox_attrs, in_h, in_w) prediction = ...
pytorch部署torchscript篇1
08-03
input_tensor = torch.tensor(image).permute(2, 0, 1).unsqueeze(0).float() / 225.0 # 加载预训练的ResNet34模型 model = resnet34(pretrained=True) model.eval() # 运行模型并获取预测结果 output = model...
关于tf.matmul() 和tf.multiply() 的区别说明
09-16
对于补充知识部分，提到的是PyTorch的`torch.matmul()`函数，它与TensorFlow的`tf.matmul()`类似，处理的是张量的最后两个维度的乘法。在处理3维张量时，如果维度为 `B*F*M` 和 `B*M*N`，`torch.matmul()` 结果的...
torch_sparse-0.6.10-cp36-cp36m-macosx_10_14_x86_64whl.zip
01-15
value = torch.tensor([1., 2., 3.]) sparse_tensor = torch_sparse.SparseTensor(row=row, col=col, value=value) ``` 在实际项目中，`torch_sparse`与PyTorch结合使用，可以构建复杂的GNN模型，实现图数据的高效...
深度学习——torch相关函数用法解析
Elon15的博客
02-14 2559
深度学习——torch相关函数用法解析
torch.cat 多维数组的加法add/连接cat理解及实践记录
MengYa_Dream的博客
10-05 1824
详细解说 C=torch.cat((A[:,:1,:],B[:,:1,:]),1) D = A[:,:1,:] + B[:,:1,:] 图像处理中的涉及多维数组/向量计算，简化实践记录加法计算，add(+) 和 cat 两种方式。 简单案例叙述： 仿照图像H*W*C，3×3×3张量（tensor）A和B。 C表示A和B的cat D表示A和B的add
torch.permute方法使用，后需要加.contiguous()方法
qq_43369406的博客
04-07 1612
pytorch的permute方法用于调整矩阵的维度。同numpy的transpose()方法，但需要注意的是使用permute后需要使用contiguous方法。在PyTorch中，permute()方法可以重新排列张量的维度。但是，由于内存布局的原因，有时需要使用contiguous()方法来确保张量是连续的。如果张量不是连续的，则可能会导致一些操作失败。在这个例子中，我们使用permute()方法将第一个维度移动到最后一个维度。然后，我们使用contiguous()方法来确保张量是连续的。
torch中permute()函数的结果怎么从原张量来的
凉面&凉粉的博客
08-24 715
理解pytorch的permute函数的变换
PyTorch学习笔记之基础函数篇（七）
记录学习过程
03-14 1891
torch.add() 是 PyTorch 中的一个函数，用于执行逐元素的加法操作。这个函数可以接受多个张量（tensors）作为输入，并返回一个新的张量，其中每个元素都是输入张量对应元素之和。函数的工作原理是将alpha乘以input张量，然后加上other张量或标量。如果other是一个标量，则它会被加到input张量的每个元素上。如果other是一个张量，则它必须具有与input张量相同的形状，以便逐元素地相加。
【知识点】CNN中concat与add的区别
xfxuezhang.cn
02-19 642
整理自网上
pytorch中torch.cat()函数理解
u013925378的博客
12-05 1343
pytorch中torch.cat()函数： 功能：拼接两个tensor。 用法：把两个tensor A和B拼接在一起，可进行如下操作： C = torch.cat( (A,B),0 ) #按维数0拼接（竖着拼） C = torch.cat( (A,B),1 ) #按维数1拼接（横着拼） 示例说明： 1）按维数0拼接 >>> import torch >...
学习记录——关UNet、特征图add、cat、相乘、三个 注意力
Chaoy6565的博客
09-10 572
通俗的来讲就是在网络的高层（就是U型的上部分），获取了图形的细节信息（因为这时候图片很大，很多细节可以得以保留）。特征图拼接的优点是能够保留两个特征图的所有信息，适用于需要同时考虑不同特征的任务。通过add操作，会得到新的特征，这个新的特征可以反映原始特征的一些特性，但是原始特征的一些信息也会在这个过程中损失。这部分有利于将下采样的各个阶段的信息在上采样过程中进行整合，就是在上采样的过程中，结合了各个层次的结构信息。特征图相乘的优点是可以增强共同出现的特征并减弱不重要的特征，适用于需要突出共同特征的任务。
torch.cat与torch.stack的区别
weixin_42621901的博客
10-15 933
torch.cat()的用法 torch.cat用于矢量的拼接，例如： # torch.cat用法： import torch A = torch.ones(2,3) print(A) B = torch.ones(2,3) print(B) C = torch.cat((A,B),0) # 按行拼接 print(C) D = torch.cat((A,B),1) # 按列拼接 print(D) ------------输出---------------------- tensor([[1., 1., 1.
torch.transpose（）与 torch.permute()区别
05-14
torch.transpose() 和 torch.permute() 都是 PyTorch 中的张量操作函数，用于改变张量的形状和维度顺序，但它们有一些区别。 torch.transpose() 是对张量进行转置操作，可以交换张量的两个维度，比如将一个 2x3 的矩阵转置为 3x2。它可以接受两个参数，第一个参数是要转置的张量，第二个参数是一个元组，表示需要交换的两个维度的索引。例如，torch.transpose(x, (0,1)) 将张量 x 的第一维和第二维交换。 torch.permute() 则是对张量进行轴变换操作，可以通过任意顺序对张量的维度进行重新排列。它可以接受一个参数，即一个维度索引的元组，表示需要对哪些维度进行重新排列。例如，torch.permute(x, (1,0)) 将张量 x 的第一维和第二维交换。 因此，torch.transpose() 只能交换两个维度的位置，而 torch.permute() 可以对任意维度进行重新排列。
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