张量的拼接

本文主要是介绍张量的拼接，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

张量的拼接有两种主要的基本策略：

不增加张量的维度，只增加某个维度方向的长度：cat（）
增加张量的维度，不增加单个维度方向的长度：stack（）
第2章 增加张量长度的拼接：cat（）
2.1 基本原理

2.2 函数说明
功能：在不改变张量维度的情况下，通过增加张量在某个维度方向的长度，把两个张量拼接起来。

原型：cat(input, dim)

输入参数:

input: 输入张量

dim：拼接的方向

2.3 代码示例
（1）按照dim =0 的方向拼接

# 张量的拼接：阶数不变，增加dim方向的长度
a = torch.Tensor([[1,1,1,1], [2,2,2,2],[3,3,3,3]])
b = torch.Tensor([[4,4,4,4], [5,5,5,5],[5,5,5,5]])
print("源张量")
print(a)
print(a.shape)
print(b)
print(b.shape)

print("\n按照dim=0方向拼接")
c = torch.cat((a,b),dim=0)
print(c)
print(c.shape)
输出：

源张量
tensor([[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.]])
torch.Size([3, 4])
tensor([[4., 4., 4., 4.],
[5., 5., 5., 5.],
[5., 5., 5., 5.]])
torch.Size([3, 4])

按照dim=0方向拼接

tensor([[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.],
[4., 4., 4., 4.],
[5., 5., 5., 5.],
[5., 5., 5., 5.]])
torch.Size([6, 4])
（2）按照dim=1的方向进行拼接

# 张量的拼接：增加阶数，
a = torch.Tensor([[1,1,1,1], [2,2,2,2],[3,3,3,3]])
b = torch.Tensor([[4,4,4,4], [5,5,5,5],[5,5,5,5]])
print("源张量")
print(a)
print(a.shape)
print(b)
print(b.shape)

print("\n按照dim=0方向拼接：扩展阶数")
c = torch.stack((a,b),dim=0)
print(c)
print(c.shape)
输出：

源张量
tensor([[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.]])
torch.Size([3, 4])
tensor([[4., 4., 4., 4.],
[5., 5., 5., 5.],
[5., 5., 5., 5.]])
torch.Size([3, 4])

按照dim=1方向拼接
tensor([[1., 1., 1., 1., 4., 4., 4., 4.],
[2., 2., 2., 2., 5., 5., 5., 5.],
[3., 3., 3., 3., 5., 5., 5., 5.]])
torch.Size([3, 8])
第3章 增加张量维度的拼接：stack（）
3.1 基本原理
stack堆叠，可以增加一个维度，因此案例中dim=0,1,2 三种情形,在三种方向进行堆叠。

（1）按照dim = 0的方向堆叠

（2）按照dim = 1的方向堆叠

（3）按照dim = 2的方向堆叠

2.2 函数说明
功能：通过增加张量维度，把两个张量堆叠起来，堆叠后，维度增加1.

原型：stack(input, dim)

输入参数:

input: 输入张量

dim：拼接的方向，这里的dim是指拼接后张量的dim，而不是原张量的dim

2.3 代码示例
（1）dim=0的方向

# 张量的拼接：增加阶数，
a = torch.Tensor([[1,1,1,1], [2,2,2,2],[3,3,3,3]])
b = torch.Tensor([[4,4,4,4], [5,5,5,5],[5,5,5,5]])
print("源张量")
print(a)
print(a.shape)
print(b)
print(b.shape)

print("\n按照dim=0方向拼接：扩展阶数")
c = torch.stack((a,b),dim=0)
print(c)
print(c.shape)
输出：

源张量
tensor([[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.]])
torch.Size([3, 4])
tensor([[4., 4., 4., 4.],
[5., 5., 5., 5.],
[5., 5., 5., 5.]])
torch.Size([3, 4])

按照dim=0方向拼接：扩展阶数
tensor([[[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.]],

[[4., 4., 4., 4.],
[5., 5., 5., 5.],
[5., 5., 5., 5.]]])
torch.Size([2, 3, 4])
（2）dim=1的方向

a = torch.Tensor([[1,1,1,1], [2,2,2,2],[3,3,3,3]])
b = torch.Tensor([[4,4,4,4], [5,5,5,5],[5,5,5,5]])
print("源张量")
print(a)
print(a.shape)
print(b)
print(b.shape)

print("\n按照dim=1方向拼接：扩展阶数")
c = torch.stack((a,b),dim=1)
print(c)
print(c.shape)
输出：

源张量
tensor([[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.]])
torch.Size([3, 4])
tensor([[4., 4., 4., 4.],
[5., 5., 5., 5.],
[5., 5., 5., 5.]])
torch.Size([3, 4])

按照dim=1方向拼接：扩展阶数
tensor([[[1., 1., 1., 1.],
[4., 4., 4., 4.]],

[[2., 2., 2., 2.],
[5., 5., 5., 5.]],

[[3., 3., 3., 3.],
[5., 5., 5., 5.]]])
torch.Size([3, 2, 4])
（3）dim=2的方向

a = torch.Tensor([[1,1,1,1], [2,2,2,2],[3,3,3,3]])
b = torch.Tensor([[4,4,4,4], [5,5,5,5],[5,5,5,5]])
print("源张量")
print(a)
print(a.shape)
print(b)
print(b.shape)

print("\n按照dim=2方向拼接：扩展阶数")
c = torch.stack((a,b),dim=2)
print(c)
print(c.shape)
输出：

源张量
tensor([[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.]])
torch.Size([3, 4])
tensor([[4., 4., 4., 4.],
[5., 5., 5., 5.],
[5., 5., 5., 5.]])
torch.Size([3, 4])

按照dim=2方向拼接：扩展阶数
tensor([[[1., 4.],
[1., 4.],
[1., 4.],
[1., 4.]],

[[2., 5.],
[2., 5.],
[2., 5.],
[2., 5.]],

[[3., 5.],
[3., 5.],
[3., 5.],
[3., 5.]]])
torch.Size([3, 4, 2])

这篇关于张量的拼接的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！