pytorch.repeat（）函数解惑

最新推荐文章于 2024-07-03 10:33:40 发布

while(1);

最新推荐文章于 2024-07-03 10:33:40 发布

阅读量1.4k

点赞数 3

分类专栏：人工智能后端文章标签： pytorch python 深度学习

本文链接：https://blog.csdn.net/qq_35772951/article/details/120635759

版权

本文详细探讨PyTorch中的repeat()函数，从一维矩阵到四维矩阵的复制操作。通过实例分析，解释了复制过程中如何根据参数在不同维度上扩展数据，以及当复制维度超过原始矩阵维度时的行为。

摘要由CSDN通过智能技术生成

1. 一维矩阵的复制操作：

注意这里的每个例子都是环环相扣的，最好不要跳跃查看

1.1 一维复制

    x = torch.tensor([0, 4, 8])
    y = torch.tensor([0, 4, 8, 12])
    x1 = x.repeat(len(y))
    print(x1)
    print(x1.size())

输出：

tensor([0, 4, 8, 0, 4, 8, 0, 4, 8, 0, 4, 8])
torch.Size([12])

可以看出，当x是一维的时候，他是在列方向上进行了复制。

1.2 二维复制

x2 = x.repeat(2, len(y)) #（2，4）
print(x2)
print(x2.size())

输出：

tensor([[0, 4, 8, 0, 4, 8, 0, 4, 8, 0, 4, 8],
        [0, 4, 8, 0, 4, 8, 0, 4, 8, 0, 4, 8]])
torch.Size([2, 12])

可以看出二维复制，就是普通的行列复制，第一个参数为行，第二个参数为列

1.3 三维复制

x3 = x.repeat(2, len(y),1) #（2，4，1）
print(x3)
print(x3.size())

输出：

tensor([[[0, 4, 8],
         [0, 4, 8],
         [0, 4, 8],
         [0, 4, 8]],

		[[0, 4, 8],
   	 	[0, 4, 8],
   	 	[0, 4, 8],
     	[0, 4, 8]]]）

torch.Size([2, 4, 3])

可以看出三维复制是从最后一个数字开始的，先是1，原数据不变，还是[0,4,8],也就是维度不变；然后是4，在行方向开始复制，复制了4行变成了[[0, 4, 8], [0, 4, 8], [0, 4, 8], [0, 4, 8]]，即形状变成了[2,4];最后是2，在最前面添加一个维度，变成了[2,4,3]就是我们的输出结果。

我们进一步再看下下面的例子，将最后一个重复数字由1变