正文
在pytorch中,常见的拼接函数主要是两个,分别是:
- stack()
- cat()
stack可以保留两个信息[1.序列]和[2.张量矩阵]信息,先扩张再拼接。
cat()用于拼接多个tensor。
实际使用中两者使用场景不同。
torch.cat() 和python中的内置函数cat(), 在使用和目的上,是没有区别的,区别在于前者操作对象是tensor。
1.stack()函数
用法
官方解释:沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状。
浅显说法:把多个2维的张量凑成一个3维的张量;多个3维的凑成一个4维的张量…以此类推,也就是在增加新的维度进行堆叠。
outputs = torch.stack(tensor(sequence), dim(int)) → Tensor
参数:
- tensors(sequence): 需要连接的张量序列。
- dim(int):新的维度,在第dim个维度上拼接,0 <= dim < len(outputs) 。
注意:
- python的序列数据只有list和tuple。
- len(outputs)指生成数据的维度大小,即outputs维度值。
重点:
- 函数输入
tensor(sequence)
只能是序列;且序列内部的张量元素,必须shape完全一致。举例:[tensor_1, tensor_2,..]
或者(tensor_1, tensor_2,..)
,且必须tensor_1.shape == tensor_2.shape
dim
是选择生成的维度,必须满足0<=dim<len(outputs)
;len(outputs)
是输出后的tensor
的维度大小。总结:
- 作用:函数
stack()
对序列数据内部的张量进行扩维拼接,指定维度由程序员选择、大小是生成后数据的维度区间。- 使用意义:通常为了保留–[序列(先后)信息] 和 [张量的矩阵信息] 才会使用
stack。
举例
1.准备2个tensor
数据,每个的shape
都是[3,3]
# 假设是时间步T1的输出
T1 = torch.tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
# 假设是时间步T2的输出
T2 = torch.tensor([[10, 20, 30],[40, 50, 60],[70, 80, 90]])
2.测试stack函数
print(torch.stack((T1,T2),dim=0).shape)
print(torch.stack((T1,T2),dim=1).shape)
print(torch.stack((T1,T2),dim=2).shape)
print(torch.stack((T1,T2),dim=3).shape)
# outputs:
torch.Size([2, 3, 3])
torch.Size([3, 2, 3])
torch.Size([3, 3, 2])
'选择的dim>len(outputs),所以报错'
IndexError: Dimension out of range (expected to be in range of [-3, 2], but got 3)
拼接后的tensor
形状,会根据不同的dim
发生变化。
dim | shape |
---|---|
0 | [2, 3, 3] |
1 | [3, 2, 3] |
2 | [3, 3, 2] |
3 | 溢出报错 |
2.cat()函数
用法
函数目的:在给定维度上对输入的张量序列seq 进行连接操作。
outputs = torch.cat(inputs, dim=?) → Tensor
outputs = torch.cat(inputs, dim=?) → Tensor
参数:
- inputs : 待连接的张量序列,可以是任意相同Tensor类型的python 序列
- dim : 选择的扩维, 必须在0到len(inputs[0])之间,沿着此维连接张量序列。
重点:
- 输入数据必须是序列,序列中数据是任意相同的shape的同类型tensor
- 维度不可以超过输入数据的任一个张量的维度
总结:
- torch.cat()主要用于tensor拼接。
举例
1.准备数据,每个shape都是[2,3]。
# x1
x1 = torch.tensor([[11,21,31],[21,31,41]],dtype=torch.int)
x1.shape # torch.Size([2, 3])
# x2
x2 = torch.tensor([[12,22,32],[22,32,42]],dtype=torch.int)
x2.shape # torch.Size([2, 3])
2.合成inputs
'inputs为2个形状为[2 , 3]的矩阵 '
inputs = [x1, x2]
print(inputs)
'打印查看'
[tensor([[11, 21, 31],
[21, 31, 41]], dtype=torch.int32),
tensor([[12, 22, 32],
[22, 32, 42]], dtype=torch.int32)]
3.查看结果,测试不同dim拼接结果
In [1]: torch.cat(inputs, dim=0).shape
Out[1]: torch.Size([4, 3])
In [2]: torch.cat(inputs, dim=1).shape
Out[2]: torch.Size([2, 6])
In [3]: torch.cat(inputs, dim=2).shape
IndexError: Dimension out of range (expected to be in range of [-2, 1], but got 2)
补充
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)
参考博客
torch.cat()函数的官方解释,详解以及例子_xinjieyuan的博客-CSDN博客_torch.cat
Pytorch中的torch.cat()函数 - 不愿透漏姓名的王建森 - 博客园
torch.stack()的官方解释,详解以及例子_xinjieyuan的博客-CSDN博客_torch.stack()