torch扩展维度

本文介绍了在PyTorch中如何使用unsqueeze和expand函数来扩展张量的维度。unsqueeze用于在指定位置插入一个新维度,expand则通过复制数据来增加维度,需要注意的是,expand的最后一个维度必须能被源张量的大小整除。
摘要由CSDN通过智能技术生成

unsqueeze需要,否则报错

expand(3,2,2)参数就是目标维度。

是复制方式,最后的维度必须能整除

if __name__ == '__main__':

    import torch

    x = torch.Tensor([[1,2], [2,3], [3,4]])
    print(x.size())

    print(x)
    d=x.unsqueeze(1).expand(3,2, 2)
    print(d)

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
在PyTorch中,维度匹配(dimension matching)是非常关键的概念,特别是在处理张量操作和网络层时。当两个或多个张量进行算数运算、函数应用或连接(如矩阵相乘、卷积等)时,张量的尺寸必须一致,以便计算能够正确执行。 以下是维度匹配的一些要点: 1. **形状(Shape)**:每个张量都有一个形状,它是各维度大小的列表。例如,一个一维张量形状为(5,),而二维张量可能是(3, 4)。 2. **广播(Broadcasting)**:当两个张量的维度不完全相同但可以通过添加额外的1来匹配时,可以使用广播规则进行操作。这允许较小的张量“扩展”到较大的张量的尺寸。 3. **相加(Addition)**:在相加时,两个张量必须在所有维度上具有相同的长度或其中一个具有长度1。 4. **乘法(Multiplication)**:对于点积(元素-wise),张量的维度必须至少有一个是一维的;对于矩阵乘法(matmul)或卷积(convolution),它们通常需要特定的维度布局(例如,入通道-高度-宽度对深度通道-高度-宽度)。 5. **函数应用(Function Application)**:当将函数应用于张量时,如果函数期望的入和给定张量的维度不符,可能需要调整形状或使用视图(view)功能。 6. **层的入/出**:神经网络层通常要求入和出具有特定的维度结构,例如,全连接层需要入为(批量大小, 入通道数)和出为(批量大小, 出通道数)。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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