【Torch API】Pytorch中torch.repeat()函数解析

转载已于 2022-09-16 21:33:42 修改 · 1.2k 阅读

7 ·

CC 4.0 BY-SA版权

原文链接：https://blog.youkuaiyun.com/flyingluohaipeng/article/details/125039368

文章标签：

#pytorch #深度学习 #python

于 2022-09-08 11:52:12 首次发布

基础知识专栏收录该内容

21 篇文章

订阅专栏

本文详细介绍了PyTorch中的torch.repeat()函数，用于张量的重复扩充。通过不同参数设置，可以实现按行、列、通道等维度的重复。文中给出了多个代码示例，包括一维和二维张量的情况，帮助理解该函数的使用方法。

部署运行你感兴趣的模型镜像

torch一. torch.repeat()函数解析

官网：torch.tensor.repeat()，函数说明如下图所示：

torch.tensor.repeat()

2. 函数功能
torch.tensor.repeat()函数可以对张量进行重复扩充
1) 当参数只有两个时：（行的重复倍数，列的重复倍数），1表示不重复。
2) 当参数有三个时：（通道数的重复倍数，行的重复倍数，列的重复倍数），1表示不重复。

3. 代码例子如下：
3.1 输入一维张量，参数为一个，即表示在列上面进行重复n次

a = torch.randn(3)
a,a.repeat(4)

结果如下所示：
(tensor([ 0.81, -0.57,  0.10]),
 tensor([ 0.81, -0.57,  0.10,  0.81, -0.57,  0.10,  0.81, -0.57,  0.10,  0.81,
         -0.57,  0.10]))

3.2 输入一维张量，参数为两个(m,n)，即表示先在列上面进行重复n次，再在行上面重复m次，输出张量为二维

a = torch.randn(3)
a,a.repeat(4,2)

(tensor([ 0.06, -0.76, -0.59]),
 tensor([[ 0.06, -0.76, -0.59,  0.06, -0.76, -0.59],
         [ 0.06, -0.76, -0.59,  0.06, -0.76, -0.59],
         [ 0.06, -0.76, -0.59,  0.06, -0.76, -0.59],
         [ 0.06, -0.76, -0.59,  0.06, -0.76, -0.59]]))

3.3 输入一维张量，参数为三个(b,m,n)，即表示先在列上面进行重复n次，再在行上面重复m次，最后在通道上面重复b次，输出张量为三维

a = torch.randn(3)
a,a.repeat(3,4,2)

输出结果如下：
(tensor([2.25, 0.49, 1.47]),
 tensor([[[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47]],
 
         [[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47]],
 
         [[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47],
          [2.25, 0.49, 1.47, 2.25, 0.49, 1.47]]]))

3.4 输入二维张量，参数为两个(m,n)，即表示先在列上面进行重复n次，再在行上面重复m次，输出张量为两维（注意参数个数必须大于输入张量维度个数）

a = torch.randn(3,2)
a,a.repeat(4,2)

输出结果如下：
(tensor([[-0.58, -1.21],
         [-0.35,  0.68],
         [ 0.33,  0.70]]),
 tensor([[-0.58, -1.21, -0.58, -1.21],
         [-0.35,  0.68, -0.35,  0.68],
         [ 0.33,  0.70,  0.33,  0.70],
         [-0.58, -1.21, -0.58, -1.21],
         [-0.35,  0.68, -0.35,  0.68],
         [ 0.33,  0.70,  0.33,  0.70],
         [-0.58, -1.21, -0.58, -1.21],
         [-0.35,  0.68, -0.35,  0.68],
         [ 0.33,  0.70,  0.33,  0.70],
         [-0.58, -1.21, -0.58, -1.21],
         [-0.35,  0.68, -0.35,  0.68],
         [ 0.33,  0.70,  0.33,  0.70]]))

3.5 输入二维张量，参数为三个(b,m,n)，即表示先在列上面进行重复n次，再在行上面重复m次，最后在通道上面重复b次，输出张量为三维。（注意输出张量维度个数为参数个数）

a = torch.randn(3,2)
a,a.repeat(3,4,2)

输出结果如下：
(tensor([[-0.75,  1.20],
         [-1.50,  1.75],
         [-0.05,  0.40]]),
 tensor([[[-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40]],
 
         [[-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40]],
 
         [[-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40],
          [-0.75,  1.20, -0.75,  1.20],
          [-1.50,  1.75, -1.50,  1.75],
          [-0.05,  0.40, -0.05,  0.40]]]))

您可能感兴趣的与本文相关的镜像