torch.stack, torch.cat, torch.stack.max/mean/sum维度变换详解

本文详细介绍了PyTorch中的torch.stack和torch.cat函数,以及它们在维度变换后如何进行max、mean和sum操作。通过实例演示了不同维度下的堆叠和连接过程,帮助理解这些操作的原理。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


学习pytorch时,总免不了遇到stack和cat操作,或者有时候搞不清楚stack后max/mean/sum的操作原理。我通过代码实验为大家解说一些这些操作的原理。


torch.stack

torch.stack说白了原理也是来自于numpy.satck的操作。
主要接受两个参数:
一个数组(包含了具有相同维度的tensor元素);
一个维度(制定了堆叠的维度位置)

一般因为我们深度学习中一般都是会用到四个维度信息,所以在这里我们也以创建具有四个维度信息的tensor变量来做说明。

创建两个[x,x,x,x]tensor变量

import torch
a = torch.FloatTensor([[[[1,2,3],[4,5,6],[7,8,9]],[[10,11,12],[13,14,15],[16,17,18]]]])
b = torch.FloatTensor([[[[19,20,21], [22,23,24],[25,26,27]],[[28,29,30],[31,32,33],[34,35,36]]]])
print(a, b, a.data.shape, b.data.shape, sep='\n')

shape信息都是[1, 2, 3, 3]
在这里插入图片描述


torch.stack([x,x], dim=0)

对于四维信息,可以指定dim=0-4共五个维度

评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值