torch.stack()的使用

最新推荐文章于 2025-07-21 00:30:12 发布

原创最新推荐文章于 2025-07-21 00:30:12 发布 · 600 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #python #神经网络

重要函数专栏收录该内容

2 篇文章

订阅专栏

torch.stack()函数用于沿新维度连接一系列张量，所有张量需有相同的大小。它在深度学习中，例如构建多通道卷积核时非常有用。给定输入张量和指定的维度，它能将多个低维张量合并为一个高维张量。在提供的代码示例中，该函数用于创建一个具有多个输出通道的卷积核。

部署运行你感兴趣的模型镜像

1.torch.stack()的官方解释

1.1英文原版

Concatenates a sequence of tensors along a new dimension.

All tensors need to be of the same size.

Parameters:

tensors (sequence of Tensors) – sequence of tensors to concatenate

dim (int) – dimension to insert. Has to be between 0 and the number of dimensions of concatenated tensors (inclusive)

Keyword Arguments:

out (Tensor, optional) – the output tensor.

1.2中文解释

1.2.1沿新维度连接一系列张量。

1.2.2所有张量的大小必须相同。

1.2.3参数：

张量（张量序列） – 要连接的张量序列
维度（整数） – 要插入的尺寸。必须介于 0 和数字之间级联张量的维数（包括）

1.3使用

outputs = torch.stack(inputs, dim) → Tensor

inputs : 待连接的张量序列。
注：python的序列数据只有list和tuple。
dim : 新的维度，必须在0到len(outputs)之间。
注：len(outputs)是生成数据的维度大小，也就是outputs的维度值。

即可以将多个低纬张量拼凑为一个高维张量。

2.代码应用

用来实现一个计算多个通道的输出。

def corr2d_multi_in_out(X, K):
    # 迭代“K”的第0个维度，每次都对输入“X”执行互相关运算。
    # 最后将所有结果都叠加在一起
    return torch.stack([corr2d_multi_in(X, k) for k in K], 0)

X = torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],
               [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
K = torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])

通过将核张量K与K+1（K中每个元素加1）和K+2连接起来，构造了一个具有3个输出通道的卷积核。

K = torch.stack((K, K + 1, K + 2), 0)
K.shape

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch

Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理