从零开始深度学习Pytorch笔记——张量的拼接与切分

本文研究张量的拼接与切分。张量的拼接import torch(1) 使用torch.cat()拼接将张量按维度dim进行拼接，不会扩张张量的维度torch.cat(tensors, dim=0, out=None)其中：tensors:张量序列dim:要拼接的维度t = torch.ones((3,2))t0 = torch.cat([t,t],dim=0)#在第0个维度上拼接t1 = torch.cat([t,t],dim=1)#在第1个维度上拼接print(t0,’\n\n’,t1)t2 = torch.cat([t,t,t],dim=0)t2(2) 使用torch.stack()拼接在新创建的维度dim上进行拼接，会扩张张量的维度torch.stack(tensors, dim=0, out=None)参数：tensors:张量序列dim:要拼接的维度t = torch.ones((3,2))t1 = torch.stack([t,t],dim=2)#在新创建的维度上进行拼接print(t1,t1.shape) #拼接完会从2维变成3维我们可以看到维度从拼接前的（3，2）变成了（3，2，2），即在最后的维度上进行了拼接！t = torch.ones((3,2))t1 = torch.stack([t,t],dim=0)#在新创建的维度上进行拼接#由于指定是第0维，会把原来的3，2往后移动一格，然后在新的第0维创建新维度进行拼接print(t1,t1.shape)t = torch.ones((3,2))t1 = torch.stack([t,t,t],dim=0)#在新创建的维度上进行拼接#由于是第0维，会把原来的3，2往后移动一格，然后在新的第0维创建新维度进行拼接print(t1,t1.shape)张量的切分(1) 使用torch.chunk()切分可以将张量按维度dim进行平均切分return 张量列表如果不能整除，最后一份张量小于其他张量torch.chunk(input, chunks, dim=0)参数：input：要切分的张量chunks：要切分的份数dim：要切分的维度a = torch.ones((5,2))t = torch.chunk(a,dim=0,chunks=2)#在5这个维度切分，切分成2个张量for idx, t_chunk in enumerate(t): print(idx,t_chunk,t_chunk.shape)可以看出后一个张量小于前一个张量的，前者第0个维度上是3，后者是2。(2) 使用torch.split()切分将张量按维度dim进行切分return：张量列表torch.split(tensor, split_size_or_sections, dim=0)参数：tensor：要切分的张量split_size_or_sections：为int时，表示每一份的长度；为list时，按list元素切分dim：要切分的维度a = torch.ones((5,2))t = torch.split(a,2,dim=0)#指定了每个张量的长度为2for idx, t_split in enumerate(t): print(idx,t_split,t_split.shape)#切出3个张量a = torch.ones((5,2))t = torch.split(a,[2,1,2],dim=0)#指定了每个张量的长度为列表中的大小【2，1，2】for idx, t_split in enumerate(t): print(idx,t_split,t_split.shape)#切出3个张量a = torch.ones((5,2))t = torch.split(a,[2,1,1],dim=0)#list中求和不为长度则抛出异常for idx, t_split in enumerate(t): print(idx,t_split,t_split.shape)#切出3个张量RuntimeError:split_with_sizes expects split_sizes to sum exactly to 5 (input tensor’s size at dimension 0), but got split_sizes=[2, 1, 1]