[PyTroch系列-14]：PyTorch基础 - 张量的操作 - 拼接与堆叠
Posted 文火冰糖的硅基工坊
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了[PyTroch系列-14]：PyTorch基础 - 张量的操作 - 拼接与堆叠相关的知识，希望对你有一定的参考价值。
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119481948
目录
第1章 Tensor运算概述
1.1 概述
PyTorch提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。
这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。
https://www.runoob.com/numpy/numpy-linear-algebra.html
不同维度张量的维度方向标识
- 随着张量维度的增加，张量维度的标识dim的范围也在扩宽
- 在张量维度扩展的过程中，维度标识值（dim=n）的含义也在发生变化。
- dim=0总是指向张量的多维数组存储的最外层：[ ] [ ] [ ], 这与物理存储的标识是相反的。
1.2 运算分类
（1）算术运算：加、减、系数乘、系数除
（2）函数运算：sin，cos
（3）取整运算：上取整、下取整
（4）统计运算：最大值、最小值、均值
（5）比较运算：大于，等于，小于、排序
（6）线性代数运算：矩阵、点乘、叉乘
1.3 张量的操作与变换
（1）变换内容: 变换张量元素的值。
（1）变换长度：变换张量的某个方向的长度（即向量的维度或长度），长度可增加，可减少。
（3）变换维度：变化张量的维度，维度可以增加，可减少。
1.4 环境准备
import numpy as np
import torch
print("Hello World")
print(torch.__version__)
print(torch.cuda.is_available())1.5 张量的操作 - 拼接与堆叠
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])作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119481948
以上是关于[PyTroch系列-14]：PyTorch基础 - 张量的操作 - 拼接与堆叠的主要内容，如果未能解决你的问题，请参考以下文章
[PyTroch系列-13]：PyTorch基础 - 张量的操作 - 筛选过滤
[PyTroch系列-7]：PyTorch基础 - 张量Tensor的算术运算
[PyTroch系列-5]：PyTorch基础 - 稀疏矩阵与其创建方法
[PyTroch系列-11]：PyTorch基础 - 张量Tensor元素的排序