脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → Pytorch中torch.cat()函数

Pytorch中torch.cat()函数举例解析

 更新时间：2022年12月22日 16:12:16   作者：cv_lhp  
一般torch.cat()是为了把多个tensor进行拼接而存在的,下面这篇文章主要给大家介绍了关于Pytorch中torch.cat()函数举例解析的相关资料,文中通过示例代码介绍的非常详细,需要的朋友可以参考下

一. torch.cat（）函数解析

1. 函数说明

1.1 官网：torch.cat()，函数定义及参数说明如下图所示：

1.2 函数功能

函数将两个张量（tensor）按指定维度拼接在一起，注意：除拼接维数dim数值可不同外其余维数数值需相同，方能对齐，如下面例子所示。torch.cat()函数不会新增维度，而torch.stack()函数会新增一个维度，相同的是两个都是对张量进行拼接

2. 代码举例

2.1 输入两个二维张量（dim=0）：dim=0对行进行拼接

a = torch.randn(2,3)
b =  torch.randn(3,3)
c = torch.cat((a,b),dim=0)
a,b,c

输出结果如下：
(tensor([[-0.90, -0.37,  1.96],
         [-2.65, -0.60,  0.05]]),
 tensor([[ 1.30,  0.24,  0.27],
         [-1.99, -1.09,  1.67],
         [-1.62,  1.54, -0.14]]),
 tensor([[-0.90, -0.37,  1.96],
         [-2.65, -0.60,  0.05],
         [ 1.30,  0.24,  0.27],
         [-1.99, -1.09,  1.67],
         [-1.62,  1.54, -0.14]]))

2.2 输入两个二维张量（dim=1）: dim=1对列进行拼接

a = torch.randn(2,3)
b =  torch.randn(2,4)
c = torch.cat((a,b),dim=1)
a,b,c

输出结果如下：
(tensor([[-0.55, -0.84, -1.60],
         [ 0.39, -0.96,  1.02]]),
 tensor([[-0.83, -0.09,  0.05,  0.17],
         [ 0.28, -0.74, -0.27, -0.85]]),
 tensor([[-0.55, -0.84, -1.60, -0.83, -0.09,  0.05,  0.17],
         [ 0.39, -0.96,  1.02,  0.28, -0.74, -0.27, -0.85]]))

2.3 输入两个三维张量：dim=0 对通道进行拼接

a = torch.randn(2,3,4)
b =  torch.randn(1,3,4)
c = torch.cat((a,b),dim=0)
a,b,c

输出结果如下：
(tensor([[[ 0.51, -0.72, -0.02,  0.76],
          [ 0.72,  1.01,  0.39, -0.13],
          [ 0.37, -0.63, -2.69,  0.74]],
 
         [[ 0.72, -0.31, -0.27,  0.10],
          [ 1.66, -0.06,  1.91, -0.66],
          [ 0.34, -0.23, -0.18, -1.22]]]),
 tensor([[[ 0.94,  0.77, -0.41, -1.20],
          [-0.23, -1.03, -0.25,  1.67],
          [-1.00, -0.68, -0.35, -0.50]]]),
 tensor([[[ 0.51, -0.72, -0.02,  0.76],
          [ 0.72,  1.01,  0.39, -0.13],
          [ 0.37, -0.63, -2.69,  0.74]],
 
         [[ 0.72, -0.31, -0.27,  0.10],
          [ 1.66, -0.06,  1.91, -0.66],
          [ 0.34, -0.23, -0.18, -1.22]],
 
         [[ 0.94,  0.77, -0.41, -1.20],
          [-0.23, -1.03, -0.25,  1.67],
          [-1.00, -0.68, -0.35, -0.50]]]))

2.4 输入两个三维张量：dim=1对行进行拼接

a = torch.randn(2,3,4)
b =  torch.randn(2,4,4)
c = torch.cat((a,b),dim=1)
a,b,c

输出结果如下：
(tensor([[[-0.86,  0.00, -1.26,  1.20],
          [-0.46, -1.08, -0.82,  2.03],
          [-0.89,  0.43,  1.92,  0.49]],
 
         [[ 0.24, -0.02,  0.32,  0.97],
          [ 0.33, -1.34,  0.76, -1.55],
          [ 0.38,  1.45,  0.27, -0.64]]]),
 tensor([[[ 0.82,  0.85, -0.30, -0.58],
          [-0.09,  0.40,  0.02,  0.75],
          [-0.70,  0.67, -0.88, -0.50],
          [-0.62, -1.65, -1.10, -1.39]],
 
         [[-0.85, -1.61, -0.35, -0.56],
          [ 0.00,  1.40,  0.41,  0.39],
          [-0.01,  0.04,  0.80,  0.41],
          [-1.21, -0.64,  1.14,  1.64]]]),
 tensor([[[-0.86,  0.00, -1.26,  1.20],
          [-0.46, -1.08, -0.82,  2.03],
          [-0.89,  0.43,  1.92,  0.49],
          [ 0.82,  0.85, -0.30, -0.58],
          [-0.09,  0.40,  0.02,  0.75],
          [-0.70,  0.67, -0.88, -0.50],
          [-0.62, -1.65, -1.10, -1.39]],
 
         [[ 0.24, -0.02,  0.32,  0.97],
          [ 0.33, -1.34,  0.76, -1.55],
          [ 0.38,  1.45,  0.27, -0.64],
          [-0.85, -1.61, -0.35, -0.56],
          [ 0.00,  1.40,  0.41,  0.39],
          [-0.01,  0.04,  0.80,  0.41],
          [-1.21, -0.64,  1.14,  1.64]]]))

2.5 输入两个三维张量：dim=2对列进行拼接

a = torch.randn(2,3,4)
b =  torch.randn(2,3,5)
c = torch.cat((a,b),dim=2)
a,b,c

输出结果如下：
(tensor([[[ 0.13, -0.02,  0.13, -0.25],
          [ 1.42, -0.22, -0.87,  0.27],
          [-0.07,  1.04, -0.06,  0.91]],
 
         [[ 0.88, -1.46,  0.04,  0.35],
          [ 1.36,  0.64,  0.75,  0.39],
          [ 0.36,  1.13,  0.83,  0.56]]]),
 tensor([[[-0.47, -2.30, -0.49, -1.02,  1.74],
          [ 0.71,  0.89,  0.80, -0.05, -1.35],
          [-0.40,  0.26, -0.78, -1.50, -0.92]],
 
         [[-0.77, -0.01,  1.23,  0.70, -0.66],
          [ 0.28, -0.18, -0.91,  2.23,  1.14],
          [-1.93, -0.17,  0.15,  0.40,  0.32]]]),
 tensor([[[ 0.13, -0.02,  0.13, -0.25, -0.47, -2.30, -0.49, -1.02,  1.74],
          [ 1.42, -0.22, -0.87,  0.27,  0.71,  0.89,  0.80, -0.05, -1.35],
          [-0.07,  1.04, -0.06,  0.91, -0.40,  0.26, -0.78, -1.50, -0.92]],
 
         [[ 0.88, -1.46,  0.04,  0.35, -0.77, -0.01,  1.23,  0.70, -0.66],
          [ 1.36,  0.64,  0.75,  0.39,  0.28, -0.18, -0.91,  2.23,  1.14],
          [ 0.36,  1.13,  0.83,  0.56, -1.93, -0.17,  0.15,  0.40,  0.32]]]))

总结

到此这篇关于Pytorch中torch.cat()函数举例解析的文章就介绍到这了,更多相关Pytorch中torch.cat()函数内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

相关文章

  • python网络爬虫精解之XPath的使用说明

    python网络爬虫精解之XPath的使用说明

    XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上
    2021-09-09
  • python IP地址转整数

    python IP地址转整数

    这篇文章主要介绍了python 如何将IP 地址转整数，帮助大家了解转换的原理与收益，更好的理解python，感兴趣的朋友可以了解下
    2020-11-11
  • Python Web后端开发中的增查改删处理

    Python Web后端开发中的增查改删处理

    这篇文章主要介绍了Python Web后端开发中的增查改删处理，文章围绕主题 展开详细的内容介绍，具有一定的参考价值，需要的小伙伴可以参考一下
    2022-08-08
  • Python3实现打印任意宽度的菱形代码

    Python3实现打印任意宽度的菱形代码

    这篇文章主要介绍了Python3实现打印任意宽度的菱形代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2020-04-04
  • python3爬虫之设计签名小程序

    python3爬虫之设计签名小程序

    这篇文章主要为大家详细介绍了python3爬虫之写为朋友设计签名的小程序，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2018-06-06
  • python 排列组合之itertools

    python 排列组合之itertools

    python 排列组合之itertools，需要的朋友可以参考一下
    2013-03-03
  • Python实现Kerberos用户的增删改查操作

    Python实现Kerberos用户的增删改查操作

    这篇文章主要介绍了Python实现Kerberos用户的增删改查操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2020-12-12
  • Python try except finally资源回收的实现

    Python try except finally资源回收的实现

    这篇文章主要介绍了Python try except finally资源回收的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2021-01-01
  • Django 解决开发自定义抛出异常的问题

    Django 解决开发自定义抛出异常的问题

    这篇文章主要介绍了Django 解决开发自定义抛出异常的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2020-05-05
  • python 不同方式读取文件速度不同的实例

    python 不同方式读取文件速度不同的实例

    今天小编就为大家分享一篇python 不同方式读取文件速度不同的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2018-11-11

最新评论