PyTorch - 28 - PyTorch，TensorFlow和NumPy中的Stack vs Concat - 深度学习Tensor Ops

Existing Vs New Axes

张量和级联张量之间的差异可以用一个句子描述，所以这里是。

级联沿着现有轴连接一系列张量，而堆叠则沿着新轴连接一系列张量。

这就是全部！

这是堆叠和串联之间的区别。但是，这里的描述有些棘手，因此让我们看一些示例，以了解如何更好地理解这一点。我们将介绍在PyTorch，TensorFlow和NumPy中的堆叠和连接。我们开始做吧。

在大多数情况下，沿着张量的现有轴进行连接非常简单。当我们想沿着新的轴进行连接时，通常会产生混乱。为此，我们堆叠。表示堆叠的另一种方式是说我们创建一个新轴，然后在该轴上连接。

Join Method	Where
Concatenate	沿现有轴连接
Stack	沿新轴堆叠

因此，请确保我们知道如何为给定张量创建新轴，然后开始堆叠和连接。

How To Add Or Insert An Axis Into A Tensor

为了演示添加轴的想法，我们将使用PyTorch。

import torch
t1 = torch.tensor([1,1,1])

在这里，我们要导入PyTorch并创建一个简单的张量，其单轴长度为3。现在，要在PyTorch中向张量添加轴，我们使用unsqueeze（）函数。请注意，这与压缩相反。

> t1.unsqueeze(dim=0)
tensor([[1, 1, 1]])

在这里，我们正在添加一个轴，也就是该张量的索引零处的尺寸。这给我们一个形状为1 x 3的张量。当我们说张量的索引为零时，是指张量形状的第一个索引。

现在，我们还可以在该张量的第二个索引处添加一个轴。

> t1.unsqueeze(dim=1)
tensor([[1],
        [1],
        [1]])

这为我们提供了一个3 x 1形状的张量。添加这样的轴会更改数据在张量内部的组织方式，但不会更改数据本身。基本上，我们只是在重塑张量。通过检查每个形状，我们可以看到这一点。

> print(t1.shape)
> print(t1.unsqueeze(dim=0).shape)
> print(t1.unsqueeze(dim=1).shape)
torch.Size([3])
torch.Size([1, 3])
torch.Size([3, 1])

现在，回想一下级联堆叠的问题，当我们进行合并时，我们将沿着现有轴连接一系列张量。这意味着我们正在扩展现有轴的长度。

当我们堆叠时，我们正在创建一个以前不存在的新轴，并且该轴遍历了序列中的所有张量，然后沿着这个新序列进行合并。

让我们看看如何在PyTorch中完成此操作。

Stack Vs Cat In PyTorch

使用PyTorch，我们用于这些操作的两个函数是stack和cat。让我们创建一个张量序列。

import torch

t1 = torch.tensor([1,1,1])
t2 = torch.tensor([2,2,2])
t3 = torch.tensor([3,3,3])

现在，让我们将它们彼此串联在一起。请注意，每个张量都具有一个轴。这意味着cat函数的结果也将具有单个轴。这是因为当我们连接时，我们会沿着现有的轴进行连接。请注意，在此示例中，唯一存在的轴是第一个轴。

> torch.cat(
    (t1,t2,t3)
    ,dim=0
)
tensor([1, 1, 1, 2, 2, 2, 3, 3, 3])

好了，所以我们取了三个单轴张量，每个张量的轴长为3，现在我们有了一个单张量，轴长为9。

现在，让我们沿着将要插入的新轴堆叠这些张量。我们将在第一个索引处插入一个轴。请注意，此插入将由stack函数在后台隐式发生。

> torch.stack(
    (t1,t2,t3)
    ,dim=0
)
tensor([[1, 1, 1],
        [2, 2, 2],
        [3, 3, 3]])

这为我们提供了一个新的张量，其形状为3 x3。请注意，这三个张量是如何沿着该张量的第一个轴连接的。请注意，我们还可以显式插入新轴，然后直接执行串联。

看到这句话是真的。让我们张开所有的张量，添加一个长度为1的新轴，然后沿第一个轴倾斜。

> torch.cat(
    (
         t1.unsqueeze(0)
        ,t2.unsqueeze(0)
        ,t3.unsqueeze(0)
    )
    ,dim=0