import torch
# 创建一个 3D 张量,形状为 (5, 4, 3)
a = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]],
[[13, 14, 15], [16, 17, 18], [19, 20, 21], [22, 23, 24]],
[[25, 26, 27], [28, 29, 30], [31, 32, 33], [34, 35, 36]],
[[37, 38, 39], [40, 41, 42], [43, 44, 45], [46, 47, 48]],
[[49, 50, 51], [52, 53, 54], [55, 56, 57], [58, 59, 60]]])
# 使用 unbind 在 dim=0 上拆分,按照(5,4,3)->得到5个4*3的张量
n = a.unbind(dim=0)
# 输出每个拆分后的张量
for i, tensor in enumerate(n):
print(f"Tensor {i}: {tensor}")
# 使用 unbind 在 dim=0 上拆分,按照(5,4,3)->得到5个4*3的张量
import torch
# 创建一个 3D 张量,形状为 (5, 4, 3)
a = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]],
[[13, 14, 15], [16, 17, 18], [19, 20, 21], [22, 23, 24]],
[[25, 26, 27], [28, 29, 30], [31, 32, 33], [34, 35, 36]],
[[37, 38, 39], [40, 41, 42], [43, 44, 45], [46, 47, 48]],
[[49, 50, 51], [52, 53, 54], [55, 56, 57], [58, 59, 60]]])
# 使用 unbind 在 dim=1 上拆分,按照(5,4,3)->得到4个5*3的张量
n = a.unbind(dim=1)
# 输出每个拆分后的张量
for i, tensor in enumerate(n):
print(f"Tensor {i}: {tensor}")
# 使用 unbind 在 dim=1 上拆分,按照(5,4,3)->得到4个5*3的张量
import torch
# 创建一个 3D 张量,形状为 (5, 4, 3)
a = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]],
[[13, 14, 15], [16, 17, 18], [19, 20, 21], [22, 23, 24]],
[[25, 26, 27], [28, 29, 30], [31, 32, 33], [34, 35, 36]],
[[37, 38, 39], [40, 41, 42], [43, 44, 45], [46, 47, 48]],
[[49, 50, 51], [52, 53, 54], [55, 56, 57], [58, 59, 60]]])
# 使用 unbind 在 dim=2 上拆分,按照(5,4,3)->得到3个5*4的张量
n = a.unbind(dim=2)
# 输出每个拆分后的张量
for i, tensor in enumerate(n):
print(f"Tensor {i}: {tensor}")
# 使用 unbind 在 dim=2 上拆分,按照(5,4,3)->得到3个5*4的张量
初始张量如果维度是2D,则dim=0 or 1 ,另外《pytorch速查手册》P45认为,torch.t() 要求输入是一个2维张量,并转置维度0和1 ,我认为转置后还是2.,在编程学习中,书是参考,以实际操作为准并修订书中的内容。