快捷導(dǎo)航

PyTorch中Tensor的拼接與拆分的實(shí)現(xiàn)

更新時間：2019年08月18日 16:43:36 作者：Steven·簡談

這篇文章主要介紹了PyTorch中Tensor的拼接與拆分的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

拼接張量：torch.cat() 、torch.stack()

torch.cat(inputs, dimension=0) → Tensor

在給定維度上對輸入的張量序列 seq 進(jìn)行連接操作

舉個例子：

>>> import torch
>>> x = torch.randn(2, 3)
>>> x
tensor([[-0.1997, -0.6900, 0.7039],
    [ 0.0268, -1.0140, -2.9764]])
>>> torch.cat((x, x, x), 0) # 在 0 維(縱向)進(jìn)行拼接
tensor([[-0.1997, -0.6900, 0.7039],
    [ 0.0268, -1.0140, -2.9764],
    [-0.1997, -0.6900, 0.7039],
    [ 0.0268, -1.0140, -2.9764],
    [-0.1997, -0.6900, 0.7039],
    [ 0.0268, -1.0140, -2.9764]])
>>> torch.cat((x, x, x), 1) # 在 1 維(橫向)進(jìn)行拼接
tensor([[-0.1997, -0.6900, 0.7039, -0.1997, -0.6900, 0.7039, -0.1997, -0.6900,
     0.7039],
    [ 0.0268, -1.0140, -2.9764, 0.0268, -1.0140, -2.9764, 0.0268, -1.0140,
     -2.9764]])
>>> y1 = torch.randn(5, 3, 6)
>>> y2 = torch.randn(5, 3, 6)
>>> torch.cat([y1, y2], 2).size()
torch.Size([5, 3, 12])
>>> torch.cat([y1, y2], 1).size()
torch.Size([5, 6, 6])

對于需要拼接的張量，維度數(shù)量必須相同，進(jìn)行拼接的維度的尺寸可以不同，但是其它維度的尺寸必須相同。

torch.stack(sequence, dim=0)

沿著一個新維度對輸入張量序列進(jìn)行連接。序列中所有的張量都應(yīng)該為相同形狀

舉個例子：

>>> x1 = torch.randn(2, 3)
>>> x2 = torch.randn(2, 3)
>>> torch.stack((x1, x2), 0).size() # 在 0 維插入一個維度，進(jìn)行區(qū)分拼接
torch.Size([2, 2, 3])
>>> torch.stack((x1, x2), 1).size() # 在 1 維插入一個維度，進(jìn)行組合拼接
torch.Size([2, 2, 3])
>>> torch.stack((x1, x2), 2).size()
torch.Size([2, 3, 2])
>>> torch.stack((x1, x2), 0)
tensor([[[-0.3499, -0.6124, 1.4332],
     [ 0.1516, -1.5439, -0.1758]],

    [[-0.4678, -1.1430, -0.5279],
     [-0.4917, -0.6504, 2.2512]]])
>>> torch.stack((x1, x2), 1)
tensor([[[-0.3499, -0.6124, 1.4332],
     [-0.4678, -1.1430, -0.5279]],

    [[ 0.1516, -1.5439, -0.1758],
     [-0.4917, -0.6504, 2.2512]]])
>>> torch.stack((x1, x2), 2)
tensor([[[-0.3499, -0.4678],
     [-0.6124, -1.1430],
     [ 1.4332, -0.5279]],

    [[ 0.1516, -0.4917],
     [-1.5439, -0.6504],
     [-0.1758, 2.2512]]])

把相同形狀的張量合并，并根據(jù)提供的維度序列在相應(yīng)位置插入維度，方法會根據(jù)位置來排列數(shù)據(jù)。代碼中，根據(jù)第 0 維和第 1 維來進(jìn)行合并時，雖然合并后的張量維度和尺寸相等，但是數(shù)據(jù)的位置并不是相同的。

拆分張量：torch.split()、torch.chunk()

torch.split(tensor, split_size, dim=0)

將輸入張量分割成相等形狀的 chunks（如果可分）。如果沿指定維的張量形狀大小不能被 split_size 整分，則最后一個分塊會小于其它分塊。

舉個例子：

>>> x = torch.randn(3, 10, 6)
>>> a, b, c = x.split(1, 0) # 在 0 維進(jìn)行間隔維 1 的拆分
>>> a.size(), b.size(), c.size()
(torch.Size([1, 10, 6]), torch.Size([1, 10, 6]), torch.Size([1, 10, 6]))
>>> d, e = x.split(2, 0) # 在 0 維進(jìn)行間隔維 2 的拆分
>>> d.size(), e.size()
(torch.Size([2, 10, 6]), torch.Size([1, 10, 6]))

把張量在 0 維度上以間隔 1 來拆分時，其中 x 在 0 維度上的尺寸為 3，就可以分成 3 份。

把張量在 0 維度上以間隔 2 來拆分時，只能分成 2 份，且只能把前面部分先以間隔 2 來拆分，后面不足 2 的部分就直接作為一個分塊。

torch.chunk(tensor, chunks, dim=0)

在給定維度(軸)上將輸入張量進(jìn)行分塊兒

直接用上面的數(shù)據(jù)來舉個例子：

>>> l, m, n = x.chunk(3, 0) # 在 0 維上拆分成 3 份
>>> l.size(), m.size(), n.size()
(torch.Size([1, 10, 6]), torch.Size([1, 10, 6]), torch.Size([1, 10, 6]))
>>> u, v = x.chunk(2, 0) # 在 0 維上拆分成 2 份
>>> u.size(), v.size()
(torch.Size([2, 10, 6]), torch.Size([1, 10, 6]))

把張量在 0 維度上拆分成 3 部分時，因?yàn)槌叽缯脼?3，所以每個分塊的間隔相等，都為 1。

把張量在 0 維度上拆分成 2 部分時，無法平均分配，以上面的結(jié)果來看，可以看成是，用 0 維度的尺寸除以需要拆分的份數(shù)，把余數(shù)作為最后一個分塊的間隔大小，再把前面的分塊以相同的間隔拆分。

在某一維度上拆分的份數(shù)不能比這一維度的尺寸大

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: