pytorch学习笔记6 tensor拼接和拆分

原创 已于 2024-08-15 09:45:44 修改 · 238 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch #学习 #笔记

于 2024-08-05 15:56:10 首次发布
部署运行你感兴趣的模型镜像

  • cat 合并
    在这里插入图片描述
    dim必须首先相同（上例都是3），其次除了合并的dim（上例中为dim0）外，其它dim的size必须相同（dim 1的size是32，dim2的size是8），否则需要手动处理到相同再合并。

  • stack
    stack叠加，会增加一个新维度，下图显示stack与cat的差别
    在这里插入图片描述 在这里插入图片描述

  • split 按长度拆分 在这里插入图片描述

  • chunk 按数量拆分
    在这里插入图片描述

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

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

PyTorch学习（8）：PyTorch中Tensor的合并于拆分(torch.cat, torch.stack, torch.trunk, torch.split)
tecsai的博客
05-30 850
在使用PyTorch执行深度学习开发时，经常会用到对Tensor的合并于拆分操作。如我们在使用CSP时，有时候会需要将Tensor拆分成两部分，其中一部分进行进行Cross Stage操作，另一部分执行多重卷积操作，这个时候我们就会用到四个典型的接口，分别是torch.cat, torch.stack, torch.trunk, torch.split。接下来将逐一进行讲解。
PyTorch深度学习基础---Tensor的变换、拼接和拆分
Ting_28的博客
03-11 978
PyTorch提供了大量的对Tensor进行操作的函数或方法这些函数内部使用指针实现对矩阵的形状变化、拼接和拆分等操作。
Pytorch学习笔记【5】---tensor的拼接和拆分
python_LC_nohtyp的博客
05-11 1286
Pytorch学习笔记【5】—tensor的拼接和拆分 # cat a = torch.rand(4,32,8) b = torch.rand(5,32,8) torch.cat([a,b],dim=0).shape torch.Size([9, 32, 8]) a1 =torch.rand(4,3,32,32) a2 = torch.rand(5,3,32,32) print(torch.cat([a1,a2],dim=0).shape) a2 = torch.rand(4,1,32,32) prin
Pytorch 学习笔记
weixin_43187998的博客
07-19 551
Day1 深度学习框架简介 目前较流行的框架主要是Google的TensorFlow 和Facebook的Pytorch，两者的主要区别在于是动态图有先还是静态图有先。在TensorFlow1.x版本是以静态图为主的，所谓静态图就是先定义运算公式，然后通过session.run获得输出结果，这里静态是指运算公式一旦定义好就不能改变整个计算步骤。Pytorch采用的是动态图机制。 回归问题 线性回归（Linear Regression),逻辑回归（Logistics Regression）分类问题 线性回
pytorch学习笔记
qq_43894221的博客
07-31 186
broadcasting和合并差分
Pytorch学习笔记-（三）张量
weixin_41211742的博客
08-04 115
1、张量支持的数据类型  （1）获取/设置Pytorch默认的张量类型登录后复制 import torch # 2、张量Tensor # 2.1.1、获取Pytorch的默认类型 def DefaultType_func(): dtype=torch.tensor([1,2,3.4]).dtype pr...
pytorch学习笔记——张量维度操作
phily123的博客
09-23 4188
一、torch.cat() 添加链接描述 按照指定维度拼接张量 c=torch.cat((A,B),0)#按维度0拼接 c=torch.cat((A,B),1)#按维度1拼接 二、torch.view() 添加链接描述 x = torch.randn(4, 4) print(x.size()) y = x.view(16) print(y.size()) z = x.view(-1, 8) # -1表示该维度取决于其它维度大小，即（4*4）/ 8 print(z.size()) m = x.view(2
动手学深度学习 PyTorch版 李沐 视频笔记
weixin_45729566的博客
08-06 659
04 数据操作+数据预处理。
pytorch学习笔记1
Anoxiaa的博客
02-22 1106
pytorch学习
pytorch学习笔记（三）数据的拼接、分割与运算
围白的尾巴
02-11 1326
一、前言 前文简单的介绍了tensor的索引、切片等操作。本文主要介绍数据的拼接与分割以及数学运算。 二、数据的拼接 [In] a = torch.rand(4,32,8) [In] b = torch.rand(5,32,8) torch.cat() #需要合并的维度值可以不同，其他维度必须完全相同 [In] torch.cat([a,b],dim=0).shape [Out] torch.Size([9,32,8]) torch.stack() #创建一个新维度.
Pytorch学习笔记（七）
LJR的博客
01-26 1893
kaggle House Prices - Advanced Regression Techniques 房价预测
CV系列——Conda + PyTorch + CUDA + cuDNN + Python 环境无脑安装速查笔记[2025.12]
最新发布
zmkzmkok的博客
12-05 487
本文提供了PyTorch GPU版本安装的完整指南，包含版本匹配速查表、CUDA兼容性检查和安装命令。主要内容包括：1）PyTorch各版本与CUDA、cuDNN和Python的对应关系表（2021-2025）；2）通过nvidia-smi命令查看显卡支持的CUDA最高版本；3）推荐使用CUDA 12.1，并给出PyTorch官网对应的conda安装命令。该指南可帮助开发者快速完成PyTorch GPU环境的配置。
PyTorch中view/transpose/permute的内存可视化解析
broken_utopia的博客
12-01 491
在多头注意力机制的实现中，viewtransposepermute是核心的维度调整操作，三者均不改变张量在内存中的一维存储顺序，仅改变维度的解读方式。以下通过内存可视化表格和核心说明解析三者的作用。
PyTorch DDP分布式训练讲解
Younai2021的博客
12-05 551
if is_ddp:# 开始 DDP 时用了 init_process_group# 结束 DDP 时要调用 destroy_process_group。
[免费]基于Python的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV实现）【论文+源码+SQL脚本】
java1234的博客
12-04 1337
[免费]基于Python的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV实现）【论文+源码+SQL脚本】
【推荐系统】深度学习训练框架（八）：PyTorch分布式采样器DistributedSampler原理详解
人工智能领域博客
12-01 340
DistributedSampler 原理摘要 PyTorch的DistributedSampler是分布式训练中数据划分的核心组件，其核心原理是通过等间隔采样确保各进程处理不重叠的数据子集。关键特性包括： 数据划分：基于world_size和rank对全局索引进行等间隔采样（如Rank0取0,4,8...），保证数据均匀分布且无重复 随机性控制：通过seed + epoch生成确定性随机排列，既保证每个epoch数据顺序不同，又可复现结果 边界处理：当数据无法整除时，可选择填充重复样本或丢弃末尾数据（dr
深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现
echo的博客
11-29 1138
本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。
【Docker 】 本地缓存PyTorch 和 NVIDIA 依赖包
突围
12-04 61
只用【方案一】就足够好了。虽然 6MB/s 下载 2GB 需要点时间（大约 5-10 分钟），但加上后，只要下载成功一次，这辈子都不用再下载了，哪怕你改了 Dockerfile 的其他地方，这一层也会复用本地磁盘上的文件。修改，把那段RUN命令改成带有的版本，然后去掉。
理解pytorch中的L2正则项
算法与编程之美
12-05 198
针对问题一：对于pytorch模型中存在的过拟合与欠拟合做出明确原因与产生的数据来源的算法做出明确标注，解释清楚了误差的组成成分。是在优化器中实现的，在代码中构建了两个优化器，一个优化器不带有正则化，一个优化器带有正则化。方差度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画了数据扰动所造成的影响。偏差度量了学习算法的期望预测与真实结果的偏离程度，即刻画了学习算法本身的拟合能力。噪声则表达了在当前任务上任何学习算法所能达到的期望泛化误差。正则化策略的目的就是降低方差，减小过拟合的发生。
pytorch网络中拼接tensor
11-06
在PyTorch中，拼接张量（Tensor）通常使用`torch.cat()`函数实现。这个函数可以将多个一维、二维或更高维度的张量沿着指定的维度连接起来。下面是一个基本的例子： ```python import torch # 创建两个一维张量 t1 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

code .

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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