PyTorch常用函数torch.cat()中dim参数怎么使用

栏目分类：其他教程    发布日期：2024-05-04    浏览次数：70次     收藏

本文小编为大家详细介绍“PyTorch常用函数torch.cat()中dim参数怎么使用”，内容详细，步骤清晰，细节处理妥当，希望这篇“PyTorch常用函数torch.cat()中dim参数怎么使用”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

Part 1： 简介

在PyTorch中，

torch.cat()

是一个被广泛使用的函数。它可以让我们在某个维度上把多个张量组合在一起。对于那些想要深入了解使用PyTorch进行数据分析和建模的开发者来说，理解

torch.cat()

函数的dim参数是非常重要的。

在PyTorch中，几乎所有与神经网络有关的操作都涉及到张量（Tensor）操作。因此，在PyTorch中，将多个相同形状的张量沿某个轴/维度连接起来的过程非常重要。这就是

torch.cat()

函数的作用。

torch.cat()

的最基本用法如下：

torch.cat(tensors, dim=0, out=None) -> Tensor

其中

tensors

表示要拼接的张量列表，

dim

表示我们希望在哪个维度上连接，默认是0，即在第一维上连接。

out

是输出张量，可不传入，当传入此参数时其大小必须能容纳在cat操作后的输出tensor中。

Part 2： dim参数的说明

dim

参数指示拼接发生的轴或维度。在拼接多个张量时，我们必须指定在哪个维度上拼接它们。

dim

参数可以是正数、负数或None（默认为0），具体来说，

dim

参数可以有以下三种常见用法：

正数

最常见的方式是使用正整数来指定要连接的维度/轴的索引值。例如，在将两个大小为

3x5x7

的张量沿第2个维度拼接在一起时，这些张量变成一个形状为

3x10x7

的张量。

# 定义两个大小都为[3, 5, 7]的随机Tensor
tensor1 = torch.randn(3, 5, 7)
tensor2 = torch.randn(3, 5, 7)
# 在第二维度上（索引1）进行合并 
cat_tensor = torch.cat((tensor1, tensor2), dim=1)
print(cat_tensor.shape) # 输出: torch.Size([3, 10, 7])

负数

我们也可以使用负整数来表示要连接的轴/维度。当

dim

参数被设置为负整数时，它代表距离张量最后一个轴的间隔数。例如，将一个大小为

3x5x7

和一个大小为

3x6x7

的张量沿着最后一个维度进行拼接，即 concatenate 第三个维度：

# 定义两个大小分别为 [3, 5, 7], [3, 6, 7] 的随机Tensor
tensor1 = torch.randn(3, 5, 7)
tensor2 = torch.randn(3, 6, 7)
# 在最后一个维度上（-1表示）进行合并 
cat_tensor = torch.cat((tensor1, tensor2), dim=-1)
print(cat_tensor.shape) # 输出: torch.Size([3, 5, 14])

None

如果

dim

参数的值为

None

，则会将所有输入张量沿着前面的维度全部展开。这通常会在神经网络模型中使用，例如在线性层之间堆叠各个特征向量时。

# 定义两个大小分别为 [3, 5, 7], [4, 6, 8] 的随机Tensor
tensor1 = torch.randn(3, 5, 7)
tensor2 = torch.randn(4, 6, 8)
# 将每个张量reshape为1D向量 
resized_t1 = tensor1.view(-1)
resized_t2 = tensor2.view(-1)
# 按行连接两个1D张量  
cat_tensor = torch.cat((resized_t1, resized_t2), dim=None)
print(cat_tensor.shape) # 输出: torch.Size([315])