网站开发的技术简介,给个2021站你们懂得不花钱的,html5 手机网站导航条,网站尺寸自适应PyTorch深度学习总结
第四章 PyTorch中张量(Tensor)拼接和拆分操作 文章目录 PyTorch深度学习总结前言一、张量拼接二、张量拆分 前言
上文介绍了PyTorch中张量(Tensor)的切片操作#xff0c;本文主要介绍张量的拆分和拼接操作。 一、张量拼接
函数描述torch.cat()将张量按…PyTorch深度学习总结
第四章 PyTorch中张量(Tensor)拼接和拆分操作 文章目录 PyTorch深度学习总结前言一、张量拼接二、张量拆分 前言
上文介绍了PyTorch中张量(Tensor)的切片操作本文主要介绍张量的拆分和拼接操作。 一、张量拼接
函数描述torch.cat()将张量按照指定维度关系进行拼接torch.stack()将张量按照指定维度关系进行拼接用法同cat相同 # 引入库
import torch# 创建张量
A torch.arange(9).reshape(1, 3, 3)
print(A)输出结果为 tensor( [[[0, 1, 2], [3, 4, 5], [6, 7, 8]]]) 1、按照维度1进行拼接 B0 torch.cat((A, A), dim0)
print(B0)输出结果为 tensor([[[0, 1, 2], [3, 4, 5], [6, 7, 8]], [[0, 1, 2], [3, 4, 5], [6, 7, 8]]]) 1、按照维度2行进行拼接 B1 torch.cat((A, A), dim2)
print(B1)输出结果为 tensor([[[0, 1, 2], [3, 4, 5], [6, 7, 8], [0, 1, 2], [3, 4, 5], [6, 7, 8]]]) 1、按照维度3列进行拼接 B2 torch.cat((A, A), dim2)
print(B2)输出结果为 tensor([[[0, 1, 2, 0, 1, 2], [3, 4, 5, 3, 4, 5], [6, 7, 8, 6, 7, 8]]]) 二、张量拆分
函数描述torch.chunk()将张量分割为特定数量的块(当张量对应维度元素数量不足以拆分时会按照可以拆分数量进行拆分且会出现不均等拆分情况)torch.split()将张量分割为特定数量的块可以指定块的大小
注意 torch.chunk()当张量对应维度元素数量不足以拆分时会按照可以拆分的最大数量进行拆分且会出现不均等拆分情况且最后一个块最小
下文使用B0进行示例
B0 tensor([[[0, 1, 2],[3, 4, 5],[6, 7, 8]],[[0, 1, 2],[3, 4, 5],[6, 7, 8]]])1、torch.chunk()按照维度1进行拆分 C1, C2 torch.chunk(B0, 2, dim1) # 维度1只有三组元素所以会按照21的比例进行拆分
print(C1, C2)输出结果为 tensor([[[0, 1, 2], [3, 4, 5], [6, 7, 8]]]) tensor([[[0, 1, 2], [3, 4, 5], [6, 7, 8]]]) 1、torch.chunk()按照维度2进行拆分 D1, D2 torch.chunk(B0, 2, dim1) # 3表示指定拆分数但由于不足以拆分所以只会拆分两组
print(D1, D2)输出结果为 tensor([[[0, 1, 2], [3, 4, 5]], [[0, 1, 2], [3, 4, 5]]]) tensor([[[6, 7, 8]], [[6, 7, 8]]])
