欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

深入淺析Pytorch中stack()方法

 更新時(shí)間:2021年11月09日 08:29:44   作者:MoSalah  
這篇文章主要介紹了Pytorch中stack()方法的總結(jié)及理解,本文通過(guò)實(shí)例圖文相結(jié)合給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下

Torch.stack()

1. 概念

在一個(gè)新的維度上連接一個(gè)張量序列

2. 參數(shù)

  • tensors (sequence)需要連接的張量序列
  • dim (int)在第dim個(gè)維度上連接

注意輸入的張量shape要完全一致,且dim必須小于len(tensors)。

3. 舉例

3.1 四個(gè)shape為[3, 3]的張量

 a = torch.Tensor([[1,2,3],[4,5,6],[7,8,9]])
 b = torch.Tensor([[10,20,30],[40,50,60],[70,80,90]])
 c = torch.Tensor([[100,200,300],[400,500,600],[700,800,900]])
 d = torch.Tensor([[1000,2000,3000],[4000,5000,6000],[7000,8000,9000]])

以下面這4個(gè)張量,每個(gè)張量shape為[3, 3]。

3.1.1 dim=0的情況下,直接來(lái)看結(jié)果。

torch.stack((a,b,c,d),dim=0)

此時(shí)在第0個(gè)維度上連接,新張量的shape可以發(fā)現(xiàn)為[4, 3, 3],4代表在第0個(gè)維度有4項(xiàng)。

觀察可以得知:即初始的四個(gè)張量,即a、b、c、d四個(gè)初始張量。

可以理解為新張量的第0個(gè)維度上連接a、b、c、d。

3.1.2 dim=1的情況下

torch.stack((a,b,c,d),dim=1)

此時(shí)在第1個(gè)維度上連接,新張量的shape可以發(fā)現(xiàn)為[3,4, 3],4代表在第1個(gè)維度有4項(xiàng)。

觀察可以得知:

  • 新張量[0][0]為a[0],[0][1]為b[0],[0][2]為c[0],[0][3]為d[0]
  • 新張量[1][0]為a[1],[1][1]為b[1],[1][2]為c[1],[1][3]為d[1]
  • 新張量[2][0]為a[2],[2][1]為b[2],[2][2]為c[2],[2][3]為d[2]

可以理解為新張量的第1個(gè)維度上連接a、b、c、d的第0個(gè)維度單位,具體地說(shuō),在新張量[i]中連接a[i]、b[i]、c[i]、d[i],即將a[i]賦給新張量[i][0]、b[i]賦給新張量[i][1]、c[i]賦給新張量[i][2]、d[i]賦給新張量[i][3]。

3.1.2 dim=2的情況下

此時(shí)在第2個(gè)維度上連接,新張量的shape可以發(fā)現(xiàn)為[3,3,4],4代表在第2個(gè)維度有4項(xiàng)。

觀察可以得知:

新張量[0][0][0]為a[0][0],[0][0][1]為b[0][0],[0][0][2]為c[0][0],[0][0][3]為d[0][0]
新張量[0][1][0]為a[0][1],[0][1][1]為b[0][1],[0][1][2]為c[0][1],[0][1][3]為d[0][1]
新張量[0][2][0]為a[0][2],[0][2][1]為b[0][2],[0][2][2]為c[0][2],[0][2][3]為d[0][2]
新張量[1][0][0]為a[1][0],[1][0][1]為b[1][0],[1][0][2]為c[1][0],[1][0][3]為d[1][0]
新張量[1][1][0]為a[1][1],[1][1][1]為b[1][1],[1][1][2]為c[1][1],[1][1][3]為d[1][1]
新張量[1][2][0]為a[1][2],[1][2][1]為b[1][2],[1][2][2]為c[1][2],[1][2][3]為d[1][2]
新張量[2][0][0]為a[2][0],[2][0][1]為b[2][0],[2][0][2]為c[2][0],[2][0][3]為d[2][0]
新張量[2][1][0]為a[2][1],[2][1][1]為b[2][1],[2][1][2]為c[2][1],[2][1][3]為d[2][1]
新張量[2][2][0]為a[2][2],[2][2][1]為b[2][2],[2][2][2]為c[2][2],[2][2][3]為d[2][2]

可以理解為新張量的第2個(gè)維度上連接a、b、c、d的第1個(gè)維度的單位,具體地說(shuō),在新張量[i][j]中連接a[i][j]、b[i][j]、c[i][j]、d[i][]j。

3.1.3 總結(jié)

通過(guò)dim=0、1、2的情況,可以總結(jié)并推漲出規(guī)律:

假設(shè)有n個(gè)[x,y]的張量,當(dāng)dim=z時(shí)。新張量在第z個(gè)維度上連接n個(gè)張量第z-1維度的單位,具體來(lái)說(shuō),新張量[i][i+1]..[i+z-1]中依次連接n個(gè)向量[i][i+1]..[i+z-1]。

3.2 7個(gè)shape為[5, 7, 4, 2]的張量

a1 = torch.rand([5, 7, 4, 3])
a2 = a1 + 1
a3 = a2 + 1
a4 = a3 + 1
a5 = a4 + 1
a6 = a5 + 1
a7 = a6 + 1

假設(shè)dim=3時(shí)連接

test = torch.stack((a1, a2, a3, a4, a5, a6, a7), dim=3)

7個(gè)張量在第3個(gè)維度連接后形成的新張量賦為test,test的shape為[5, 7, 4,7, 3],代表在第3個(gè)維度有7項(xiàng)。

隨機(jī)(在新張量[0][0][0]到新張量[4][6][3]區(qū)間內(nèi))查看一個(gè)新張量第3維度上的單位:

a = test[0][1][2]

再根據(jù)總結(jié)的規(guī)律,將7個(gè)向量中的[0][1][2]連接起來(lái),再次查看,驗(yàn)證了規(guī)律。

b = torch.zeros(0)
for i in (a1, a2, a3, a4, a5, a6, a7):
    b = torch.cat((b, i[0][1][2]), dim=0)

4. 理解

通過(guò)shape來(lái)看,假設(shè)shape為[a, b, c... z],有n個(gè)shape相同的張量,在dim=x時(shí)連接n個(gè)張量,可以得到新張量,shape為[a, b, c, ... n, ...z],其中n所在維度即為第x個(gè)維度。

然后即可通過(guò)新張量[i][i+1]..[i+x-1]看作索引,對(duì)應(yīng)的數(shù)據(jù)為n個(gè)張量[i][i+1][i+x-1]按順序連接。

到此這篇關(guān)于Pytorch中stack()方法的總結(jié)及理解的文章就介紹到這了,更多相關(guān)Pytorch中stack()方法的總結(jié)及理解內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • 用基于python的appium爬取b站直播消費(fèi)記錄

    用基于python的appium爬取b站直播消費(fèi)記錄

    因工作需要,需要爬取相關(guān)數(shù)據(jù),之前是爬取網(wǎng)頁(yè)數(shù)據(jù),可以用python的requests和Selenium進(jìn)行爬取。但b站的直播消費(fèi)數(shù)據(jù)網(wǎng)頁(yè)版不能顯示,只能在手機(jī)上看到,所以就有了這篇文章。需要的朋友可以參考下
    2021-04-04
  • Python面向?qū)ο笾畠?nèi)置函數(shù)相關(guān)知識(shí)總結(jié)

    Python面向?qū)ο笾畠?nèi)置函數(shù)相關(guān)知識(shí)總結(jié)

    本次要總結(jié)的的內(nèi)置函數(shù)共8個(gè),他們都跟面向?qū)ο蟮闹R(shí)相關(guān),文中有非常詳細(xì)的介紹及代碼示例,需要的朋友可以參考下
    2021-06-06
  • Python?eval()?函數(shù)看這一篇就夠了

    Python?eval()?函數(shù)看這一篇就夠了

    eval(str)函數(shù)很強(qiáng)大,官方解釋為將字符串str當(dāng)成有效的表達(dá)式來(lái)求值并返回計(jì)算結(jié)果,下面這篇文章主要給大家介紹了關(guān)于Python?eval()?函數(shù)的相關(guān)資料,需要的朋友可以參考下
    2022-01-01
  • Python插件機(jī)制實(shí)現(xiàn)詳解

    Python插件機(jī)制實(shí)現(xiàn)詳解

    這篇文章主要介紹了Python插件機(jī)制實(shí)現(xiàn)詳解,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
    2020-05-05
  • 詳解Python如何實(shí)現(xiàn)查看WiFi密碼

    詳解Python如何實(shí)現(xiàn)查看WiFi密碼

    這篇文章主要為大家詳細(xì)介紹了如何使用python來(lái)試試看看能不能讀取到已連接過(guò)WIFI的密碼,文中的示例代碼講解詳細(xì),?感興趣的小伙伴可以了解下
    2023-11-11
  • 使用systemd部署服務(wù)的過(guò)程解析

    使用systemd部署服務(wù)的過(guò)程解析

    這篇文章主要介紹了使用systemd部署服務(wù)的過(guò)程解析,本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2022-06-06
  • Python中sort函數(shù)正則表達(dá)式的使用

    Python中sort函數(shù)正則表達(dá)式的使用

    在python中,sort是列表排序的一種方法,本文就來(lái)介紹一下sort函數(shù)正則表達(dá)式的使用以及與sorted的區(qū)別,具有一定的參考價(jià)值,感興趣的可以了解一下
    2024-03-03
  • 解讀python正則表達(dá)式括號(hào)問(wèn)題

    解讀python正則表達(dá)式括號(hào)問(wèn)題

    這篇文章主要介紹了python正則表達(dá)式括號(hào)問(wèn)題解讀,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2022-09-09
  • python字符串操作

    python字符串操作

    這篇文章主要介紹了python字符串操作,主要包括字符串的分割、字符串的查找,替換、字符串的判斷,下面一起進(jìn)入文章了解具體內(nèi)容,需要的朋友可以參考一下
    2021-11-11
  • Python中常用的內(nèi)置函數(shù)

    Python中常用的內(nèi)置函數(shù)

    這篇文章主要介紹了Python中常用的內(nèi)置函數(shù),主要介紹內(nèi)容有map()、filter()、all()、int()等更多相關(guān)函數(shù),需要的小伙伴可以參考一下
    2022-04-04

最新評(píng)論