torch将多个tensor张量合并为一个张量，只提高迷你批次的纬度

最新推荐文章于 2024-04-23 13:52:09 发布
最新推荐文章于 2024-04-23 13:52:09 发布
阅读量6.5k 收藏 5
点赞数 3
分类专栏： 学习记录 文章标签： pytorch 深度学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xxhjxx/article/details/123534860
版权

在自己写pytorch的数据集加载函数时，会遇到一个问题，如何将多张图片张量合并到一起，提升迷你批次batch的纬度，但是不影响图片的大小和RGB通道数
解决方法：
函数torch.cat（inputs，dim）
这里的inputs是你要合并的图像，dim=多少代表你打算让他们在哪个纬度上融合

import cv2
import torch
image_path = 'F:\\Pythontest\\cnn\\data\\train\\n01440764\\n01440764_13316.JPEG'
image_path1 = 'F:\\Pythontest\\cnn\\data\\train\\n01440764\\n01440764_13360.JPEG'
image_path2 = 'F:\\Pythontest\\cnn\\data\\train\\n01440764\\n01440764_13375.JPEG'
img = cv2.imread(image_path, cv2.IMREAD_COLOR)
img = cv2.resize(img, (6, 6))
img = img.transpose(2, 0, 1)
img = torch.from_numpy(img).float()
img = img.unsqueeze(0)
print(img.size())
print(img)

img1 = cv2.imread(image_path1, cv2.IMREAD_COLOR)
img1 = cv2.resize(img1, (6, 6))
img1 = img1.transpose(2, 0, 1)
img1 = torch.from_numpy(img1).float()
img1 = img1.unsqueeze(0)
print(img1.size())
print(img1)


result1 = torch.cat((img,img1), dim=0)
print(result1.size())
print(result1)

img2 = cv2.imread(image_path2, cv2.IMREAD_COLOR)
# 对图像的预处理可以放到这个位置
img2 = cv2.resize(img2, (6, 6))
img2 = img2.transpose(2, 0, 1)
img2 = torch.from_numpy(img2).float()
img2 = img2.unsqueeze(0)
print(img2.size())
print(img2)

result0 = torch.cat((result1, img2), dim=0)
print(result0.size())
print(result0)

下面这是结果，可以看到，只有batch的维数增加了，其他位置没有变

在这里插入代码片
torch.Size([1, 3, 6, 6])
tensor([[[[112., 122., 126., 162.,  76.,  80.],
          [ 87.,  31.,  36.,  17.,  84., 138.],
          [ 21.,  85., 186., 209., 228., 179.],
          [ 32., 158., 199.,   9.,  78., 169.],
          [ 27.,  36.,  25.,  43.,  38., 128.],
          [ 28.,  25.,  53.,  71., 105., 153.]],

         [[162., 168., 158., 150.,  67.,  77.],
          [145.,  22.,  21.,  14.,  75., 135.],
          [ 18., 117., 210., 231., 237., 172.],
          [ 23., 197., 226.,  32.,  92., 205.],
          [ 20.,  38.,  20.,  43.,  65., 169.],
          [ 54.,  13.,  52.,  90., 145., 178.]],

         [[151., 185., 157., 140.,  57.,  67.],
          [135.,  12.,  15.,   6.,  66., 130.],
          [ 10., 112., 216., 233., 241., 162.],
          [ 19., 219., 237.,  50.,  88., 208.],
          [ 11.,  32.,  11.,  38.,  55., 172.],
          [ 34.,   7.,  42.,  91., 164., 196.]]]])
torch.Size([1, 3, 6, 6])
tensor([[[[ 71.,  63., 127.,  75.,  96.,  62.],
          [ 57., 232., 155., 185., 164., 117.],
          [ 48.,  51.,  40.,  43.,  53.,  37.],
          [ 43.,  78., 165., 208., 204.,  37.],
          [ 33.,  76., 126., 114., 125., 100.],
          [ 54.,  58.,  23.,  15.,  10.,  19.]],

         [[ 80.,  64., 147.,  97., 151., 101.],
          [ 76., 238., 144., 169., 148., 173.],
          [ 49.,  43.,  39.,  50.,  99.,  41.],
          [ 60., 128., 204., 216., 200.,  67.],
          [ 47.,  88., 115., 100., 126.,  93.],
          [ 84., 111.,  43.,  12.,  21.,  58.]],

         [[ 53.,  58., 144., 102., 156., 102.],
          [ 57., 228., 136., 156., 140., 170.],
          [ 40.,  44.,  33.,  57., 112.,  59.],
          [ 80., 128., 181., 194., 177.,  76.],
          [ 79.,  76., 118., 102., 114.,  86.],
          [103., 119.,  48.,  18.,  19.,  56.]]]])
torch.Size([2, 3, 6, 6])
tensor([[[[112., 122., 126., 162.,  76.,  80.],
          [ 87.,  31.,  36.,  17.,  84., 138.],
          [ 21.,  85., 186., 209., 228., 179.],
          [ 32., 158., 199.,   9.,  78., 169.],
          [ 27.,  36.,  25.,  43.,  38., 128.],
          [ 28.,  25.,  53.,  71., 105., 153.]],

         [[162., 168., 158., 150.,  67.,  77.],
          [145.,  22.,  21.,  14.,  75., 135.],
          [ 18., 117., 210., 231., 237., 172.],
          [ 23., 197., 226.,  32.,  92., 205.],
          [ 20.,  38.,  20.,  43.,  65., 169.],
          [ 54.,  13.,  52.,  90., 145., 178.]],

         [[151., 185., 157., 140.,  57.,  67.],
          [135.,  12.,  15.,   6.,  66., 130.],
          [ 10., 112., 216., 233., 241., 162.],
          [ 19., 219., 237.,  50.,  88., 208.],
          [ 11.,  32.,  11.,  38.,  55., 172.],
          [ 34.,   7.,  42.,  91., 164., 196.]]],


        [[[ 71.,  63., 127.,  75.,  96.,  62.],
          [ 57., 232., 155., 185., 164., 117.],
          [ 48.,  51.,  40.,  43.,  53.,  37.],
          [ 43.,  78., 165., 208., 204.,  37.],
          [ 33.,  76., 126., 114., 125., 100.],
          [ 54.,  58.,  23.,  15.,  10.,  19.]],

         [[ 80.,  64., 147.,  97., 151., 101.],
          [ 76., 238., 144., 169., 148., 173.],
          [ 49.,  43.,  39.,  50.,  99.,  41.],
          [ 60., 128., 204., 216., 200.,  67.],
          [ 47.,  88., 115., 100., 126.,  93.],
          [ 84., 111.,  43.,  12.,  21.,  58.]],

         [[ 53.,  58., 144., 102., 156., 102.],
          [ 57., 228., 136., 156., 140., 170.],
          [ 40.,  44.,  33.,  57., 112.,  59.],
          [ 80., 128., 181., 194., 177.,  76.],
          [ 79.,  76., 118., 102., 114.,  86.],
          [103., 119.,  48.,  18.,  19.,  56.]]]])
torch.Size([1, 3, 6, 6])
tensor([[[[ 54.,  88.,  19., 106.,  79., 164.],
          [ 17.,  39.,  95.,  20., 129.,  70.],
          [ 29., 150.,  76., 121.,  91.,  78.],
          [ 58.,  50.,  21.,  33.,  89.,  99.],
          [ 50.,  17., 110.,  53.,  22.,  24.],
          [ 52.,  84.,  55.,  40.,  83.,  19.]],

         [[137., 130.,  34., 153., 133., 201.],
          [ 87.,  65., 110.,  62., 217., 168.],
          [ 69., 153., 111., 141., 123.,  95.],
          [ 95.,  91., 102., 106., 121., 174.],
          [ 85.,  68., 131., 100.,  73.,  95.],
          [ 94., 114.,  66.,  92., 118.,  94.]],

         [[ 92., 105.,  37., 120.,  87., 184.],
          [ 46.,  40., 149.,  31., 182., 134.],
          [ 44., 177., 116., 142., 133.,  89.],
          [ 87.,  90., 109., 114., 129., 144.],
          [ 85.,  81., 174., 105.,  42.,  54.],
          [ 74., 141.,  74.,  62.,  96.,  46.]]]])
torch.Size([3, 3, 6, 6])
tensor([[[[112., 122., 126., 162.,  76.,  80.],
          [ 87.,  31.,  36.,  17.,  84., 138.],
          [ 21.,  85., 186., 209., 228., 179.],
          [ 32., 158., 199.,   9.,  78., 169.],
          [ 27.,  36.,  25.,  43.,  38., 128.],
          [ 28.,  25.,  53.,  71., 105., 153.]],

         [[162., 168., 158., 150.,  67.,  77.],
          [145.,  22.,  21.,  14.,  75., 135.],
          [ 18., 117., 210., 231., 237., 172.],
          [ 23., 197., 226.,  32.,  92., 205.],
          [ 20.,  38.,  20.,  43.,  65., 169.],
          [ 54.,  13.,  52.,  90., 145., 178.]],

         [[151., 185., 157., 140.,  57.,  67.],
          [135.,  12.,  15.,   6.,  66., 130.],
          [ 10., 112., 216., 233., 241., 162.],
          [ 19., 219., 237.,  50.,  88., 208.],
          [ 11.,  32.,  11.,  38.,  55., 172.],
          [ 34.,   7.,  42.,  91., 164., 196.]]],


        [[[ 71.,  63., 127.,  75.,  96.,  62.],
          [ 57., 232., 155., 185., 164., 117.],
          [ 48.,  51.,  40.,  43.,  53.,  37.],
          [ 43.,  78., 165., 208., 204.,  37.],
          [ 33.,  76., 126., 114., 125., 100.],
          [ 54.,  58.,  23.,  15.,  10.,  19.]],

         [[ 80.,  64., 147.,  97., 151., 101.],
          [ 76., 238., 144., 169., 148., 173.],
          [ 49.,  43.,  39.,  50.,  99.,  41.],
          [ 60., 128., 204., 216., 200.,  67.],
          [ 47.,  88., 115., 100., 126.,  93.],
          [ 84., 111.,  43.,  12.,  21.,  58.]],

         [[ 53.,  58., 144., 102., 156., 102.],
          [ 57., 228., 136., 156., 140., 170.],
          [ 40.,  44.,  33.,  57., 112.,  59.],
          [ 80., 128., 181., 194., 177.,  76.],
          [ 79.,  76., 118., 102., 114.,  86.],
          [103., 119.,  48.,  18.,  19.,  56.]]],


        [[[ 54.,  88.,  19., 106.,  79., 164.],
          [ 17.,  39.,  95.,  20., 129.,  70.],
          [ 29., 150.,  76., 121.,  91.,  78.],
          [ 58.,  50.,  21.,  33.,  89.,  99.],
          [ 50.,  17., 110.,  53.,  22.,  24.],
          [ 52.,  84.,  55.,  40.,  83.,  19.]],

         [[137., 130.,  34., 153., 133., 201.],
          [ 87.,  65., 110.,  62., 217., 168.],
          [ 69., 153., 111., 141., 123.,  95.],
          [ 95.,  91., 102., 106., 121., 174.],
          [ 85.,  68., 131., 100.,  73.,  95.],
          [ 94., 114.,  66.,  92., 118.,  94.]],

         [[ 92., 105.,  37., 120.,  87., 184.],
          [ 46.,  40., 149.,  31., 182., 134.],
          [ 44., 177., 116., 142., 133.,  89.],
          [ 87.,  90., 109., 114., 129., 144.],
          [ 85.,  81., 174., 105.,  42.,  54.],
          [ 74., 141.,  74.,  62.,  96.,  46.]]]])

进程已结束,退出代码0
xxhjxx
关注
  • 3
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch中常见的合并和分割
zqb_123的博客
12-22 439
【代码】pytorch中常见的合并和分割。
多个三维合并为四维
weixin_43399966的博客
11-11 656
import numpy as np b = np.random.randint(0,10,size=[110,1000,28,28]) print(b.shape) new = b[0] print(new.shape) new = new.reshape([1,1000,28,28]) for i in b: i = i.reshape(1,1000,28,28) new = np.concatenate((new,i),axis=0) print(new.shape) c =.
Pytorch中torch.cat()函数解析
热门推荐
flyingluohaipeng的博客
05-29 3万+
一. torch.cat（）函数解析 1. 函数说明 1.1 官网：torch.cat()，函数定义及参数说明如下图所示： 1.2 函数功能 函数将两个张量（tensor）按指定维度拼接在一起，注意：除拼接维数dim数值可不同外其余维数数值需相同，方能对齐，如下面例子所示。torch.cat()函数不会新增维度，而torch.stack()函数会新增一个维度，相同的是两个都是对张量进行拼接 2. 代码举例 2.1 输入两个二维张量（dim=0）：dim=0对行进行拼接 a = torch.randn(2,
PyTorch的张量拼接和变换
最新发布
wq10_12的博客
04-23 1025
PyTorch是一个广泛使用的深度学习框架，它提供了丰富的张量操作功能。在本文中，我们将介绍PyTorch中的张量拼接和变换操作，并通过代码示例说明它们的用法和效果。通过本文的介绍，我们了解了PyTorch中的张量拼接和变换操作，并通过代码示例展示了它们的用法和效果。这些操作对于深度学习中的数据处理和模型构建非常重要，希望读者可以在实际应用中灵活运用它们。
[Pytorch]张量的合并：cat和stack操作
weixin_45863060的博客
04-22 1070
这里简单的理解是，两个shape为[2,2,3]的张量在dim=0上合并后，由原来两个2x[2,3]的张量合并为了一个4x[2,3]的张量，即shape为[4,2,3]的张量；而两个shape为[2,2,3]的张量在dim=1上合并后第一个维度的数量不变，而将第二个维度进行合并，可以看作将原来2x[2,3]的张量合并为了2x[4，3]的张量，原来每个[2x3]的张量的行数扩展至了4行。将多个向量在同一维度上进行合并，并且要求在指定维度dim外，其他维度的形状应保持相同。关于在不同维度上合并的结果。
torch.cat函数详解
qq_45138078的博客
03-30 4016
其中，参数seq是要拼接的张量序列，它们应该具有相同的形状（除了沿着拼接维度的大小），可以是一个Python列表或元组。参数dim表示要沿着哪个维度进行拼接，默认值为0（即第0个维度）。返回值是一个新的张量，与输入张量在拼接维度上的大小之和相同。torch.cat是PyTorch深度学习框架中的一个函数，用于将多个张量沿着指定的维度拼接在一起。具体来说，它可以将多个形状相同的张量按照指定的维度进行拼接，返回一个新的张量。上述代码将输出一个形状为(6, 4)的新张量。
torch.cat()使用详解
我是天才很好
09-29 2万+
官方文档 torch.cat(inputs, dimension=0) → Tensor 在给定维度上对输入的张量序列seq 进行连接操作。 torch.cat()可以看做 torch.split() 和 torch.chunk()的反操作。 参数: inputs (sequence of Tensors) – 可以是任意相同Tensor 类型的python 序列 dimension (int, optional) – 沿着此维连接张量序列。 cat() 函数可以通过下面例子更好的理解。 官方例子 &gt
pytorch中tensor张量数据类型的转化方式
09-18
`torch.Tensor.tolist()`方法将张量转换为Python列表，而`torch.tensor()`函数可以创建一个新张量，其输入可以是列表或其他可迭代对象。 示例： ```python # 创建一个PyTorch张量 a = torch.ones([1, 5]) # ...
pytorch 实现张量tensor,图片,CPU,GPU,数组等的转换
12-23
1, 创建pytorch 的Tensor张量： torch.rand((3,224,224)) #创建随机值的三维张量，大小为（3,224,224） torch.Tensor([3,2]) #创建张量，[3,2] 2, cpu上的tensor和GPU即pytorch创建的tensor的相互转化 b = a.cpu()...
PyTorch 基础：Tensor（张量）-谢TS的博客.pdf
07-17
PyTorch 是由 Facebook 研发的开源的深度学习框架，并且支持 CPU 和 GPU 加速计算。torch.Tensor 是包含单一数据类型元素的多维...Tensor 中文称为 张量（可以看做是一个多维数组），是 PyTorch 中最基本的数据类型。
详解torch.Tensor的4种乘法
09-16
`torch.mm`是矩阵乘法，它只适用于二维张量，且要求输入的张量形状满足矩阵乘法规则，即第一个张量的列数必须等于第二个张量的行数。例如： ```python a = torch.tensor([[1, 2], [2, 3]]) b = torch.tensor([[4...
pytorch中tensor合并前面维度，保持最后一个维度不变
qq_39877362的博客
07-26 769
【代码】pytorch中tensor合并前面维度，保持最后一个维度不变。
torch.cat()函数用法
do_you_ac_today的博客
05-06 9361
torch.cat是将两个张量(tensor) 拼接在一起，cat是concatnate的意思， 即拼接，联系在一起。 使用torch.cat((A,B),dim)时，除拼接维数dim数值可不同外其余维数数值需相同，方能对齐。y即：当dim=0时，按行拼接；当dim=1时，按列拼接。 例如： ...
pytorch --- cat、stack、split的用法
WGS.
08-30 579
pytorch --- cat、stack、split的用法
Pytorch实战 第5章 Pytorch进阶
yang_pi_pi的博客
05-31 422
除了希望获取张量的最值信息，有时还需要获得最值元素所在的位置索引号，例如分类任务的标签预测，就需要知道概率最大值所在的位置索引号，并把这个位置索引号作为预测的类别。通过 torch.max(x, dim)、torch.min(x, dim)、torch.mean(x, dim)、torch.sum(x, dim)函数可以求解张量在某个 dim 维度上的最大、最小、均值、和，也可以求全局最大、最小、均值、和信息。案例:在求解神经网络的时，通过需要计算目标值与预测值的差的平方和，再计算样本上的 平均误差。
tensorflow dataset_ops batch()方法 （将此数据集的连续元素合并为批）
Dontla的博客
12-11 774
def batch(self, batch_size, drop_remainder=False): """Combines consecutive elements of this dataset into batches. 将此数据集的连续元素合并为批。 The tensors in the resulting element will have an addit...
pytorch系列2——张量结构操作
qq_41458274的博客
10-02 294
文本的操作在github上都有，且有运行结果。
张量（Tensor）操作
weixin_45922730的博客
09-11 2420
1、torch.cat():将张量按照dim维度进行拼接 2、torch.stack()：将张量在新创建的dim维度上进行拼接 3、torch.chunk():将张量按照维度 dim 进行平均切分。若不能整除，则最后一份张量小于其他张量 4、torch.split():将张量按照维度 dim 进行平均切分。可以指定每一个分量的切分长度 5、torch.index_select()：在维度 dim 上，按照 index 索引取出数据拼接为张量返回
Pytorch学习-张量的合并和分割
Zzz_zhongqing的博客
07-11 4569
可以用torch.cat方法和torch.stack方法将多个张量合并，可以用torch.split方法把一个张量分割成多个张量。 torch.cat和torch.stack有略微的区别，torch.cat是连接，不会增加维度，而torch.stack是堆叠，会增加维度。 a = torch.tensor([[1, 2],[3,4]]) b = torch.tensor([[5,6],[7,8]]) c = torch.tensor([[9,10],[11,12]]) abc_cat = torch.ca
怎么判断一个tensor张量是否为浮点型tensor张量
04-26
要判断一个tensor张量是否为浮点型tensor张量，可以使用PyTorch中的dtype属性。浮点型tensor张量的dtype为torch.float32、torch.float64或torch.float16。可以通过以下代码判断： ```python import torch tensor =...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值