tensor连接和拆分
文章目录
- 连接
- torch.cat()
- 案例准备
- torch.stack()
- 区别
- 拆分
- torch.split()
连接
torch.cat()
函数目的： 在给定维度上对输入的张量序列 进行连接操作。
案例准备
a = torch.tensor([[1,2,3],[4,5,6],[7,8,9]], dtype=torch.float)
b = torch.tensor([[10,10,10,],[10,10,10],[10,10,10,]], dtype=torch.float)
# dim指的是维度，dim = 0就是行,所以下面的代码就是按行拼接
print("按行拼接:\n",torch.cat((a,b),dim=0))
print("按行拼接:\n",torch.cat((a,b),dim=0).shape) #6行3列
print("按列拼接:\n",torch.cat((a,b),dim=1))
print("按列拼接:\n",torch.cat((a,b),dim=1).shape)#3行6列
torch.stack()
沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状。
也就是2维拼成3维，3维拼4维，以此类推。
print("按行拼接:\n",torch.stack((a,b),dim=0))
print("按行拼接:\n",torch.stack((a,b),dim=0).shape)
print("按行拼接:\n",torch.stack((a,b),dim=1))
print("按行拼接:\n",torch.stack((a,b),dim=1).shape)
print("按行拼接:\n",torch.stack((a,b),dim=2))
print("按行拼接:\n",torch.stack((a,b),dim=2).shape)
区别
stack与cat的区别在于，torch.stack()函数要求输入张量的大小完全相同，得到的张量的维度会比输入的张量的大小多1，并且多出的那个维度就是拼接的维度，那个维度的大小就是输入张量的个数。
c = torch.tensor([[10,20],[30,40],[50,60]], dtype=torch.float)
a = torch.tensor([[1,2,3],[4,5,6],[7,8,9]], dtype=torch.float)
torch.cat((a,c),dim=1)
#但是以下情况就会出错
torch.cat((a,c),dim=0)
如图，按行拼接会缺数据，报错吗，应该的。
torch.stack((a,c),dim=0)
###运行结果
RuntimeError: stack expects each tensor to be equal size, but got [3, 3] at entry 0 and [3, 2] at entry 1再次验证stack需要两个大小一样的张量
拆分
torch.split()
def split(
tensor: Tensor, split_size_or_sections: Union[int, List[int]], dim: int = 0
) -> Tuple[Tensor, …]:
- 按块大小拆分张量 除不尽的取余数，返回一个元组
a = torch.tensor([[1,2,3],[4,5,6],[7,8,9]], dtype=torch.float)
print(torch.split(a,2,dim=0)) #按行拆，两行拆成一个
print(torch.split(a,1,dim=0)) #按行拆，一行拆成一个
print(torch.split(a,1,dim=1)) #按列拆，一列拆成一个
print(torch.split(a,2,dim=1)) #按列拆，两列拆成一个
- 按块数拆分张量
torch.chunk(a,2,dim=0) #按行拆成两块
torch.split(a,2,dim=1) #按列拆成两块
