torch.stack, torch.cat, torch.stack.max/mean/sum维度变换详解-优快云博客

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 >

torch.stack，torch.cat, torch.stack.max/mean/sum

torch.stack
torch.cat
torch.stack([x, x],dim=x).max(dim)
torch.stack([x, x],dim=x).mean(dim)
torch.stack([x, x],dim=x).sum(dim)

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