torch.cat()

对象：给定的序列化张量，即Tensor型。
功能：实现两个张量在指定维度上的拼接。
输出：拼接后的张量。
函数以及参数：torch.cat(tensor, dim)，官方给出的有四个参数，但是我们平时只会用到前两个参数即可。
tensor：有相同形状的张量序列，所有的张量需要有相同的形状才能够拼接，除非是在拼接维度上两个张量可以有不同的尺寸，或者两个张量都是空的。
dim：两个张量或者多个张量拼接的维度。

应用实例1：两个张量形状相同

代码：

import torchx = torch.randn(2,4)
y = torch.randn(2,4)print(f'x={x}','\n',f'y={y}')
print(f'z={torch.cat((x,y), 0)}')

输出:

x=tensor([[-1.2870, -0.7040,  0.3016, -0.2970],[-0.8151, -0.5236, -1.7680,  0.7675]]) y=tensor([[-1.4207, -0.2694,  0.2521, -0.7187],[ 0.8776, -0.0352, -0.5094,  0.0602]])
z=tensor([[-1.2870, -0.7040,  0.3016, -0.2970],[-0.8151, -0.5236, -1.7680,  0.7675],[-1.4207, -0.2694,  0.2521, -0.7187],[ 0.8776, -0.0352, -0.5094,  0.0602]])

应用实例2：多个张量形状相同

代码：

import torchx = torch.randn(2,4)
y = torch.randn(2,4)print(f'x={x}','\n',f'y={y}')
print(f'z={torch.cat((x,y,x,y), 0)}')

输出：

x=tensor([[ 0.4697, -0.4881, -2.0199, -0.8661],[ 0.4911, -0.1259,  1.1939,  0.7730]]) y=tensor([[ 0.8633,  0.4438, -0.6975,  0.5440],[ 0.1554, -1.6358, -1.2234, -0.6597]])
z=tensor([[ 0.4697, -0.4881, -2.0199, -0.8661],[ 0.4911, -0.1259,  1.1939,  0.7730],[ 0.8633,  0.4438, -0.6975,  0.5440],[ 0.1554, -1.6358, -1.2234, -0.6597],[ 0.4697, -0.4881, -2.0199, -0.8661],[ 0.4911, -0.1259,  1.1939,  0.7730],[ 0.8633,  0.4438, -0.6975,  0.5440],[ 0.1554, -1.6358, -1.2234, -0.6597]])

应用实例3：两个张量形状不同，但只在拼接维度上

代码：

import torchx = torch.randn(3,4)
y = torch.randn(2,4)print(f'x={x}','\n',f'y={y}')
print(f'z={torch.cat((x,y), 0)}')x_1 = torch.randn(2,3)
y_1 = torch.randn(2,4)print(f'x_1=\n{x_1}','\n',f'y_1=\n{y_1}')
print(f'z_1=\n{torch.cat((x_1,y_1), 1)}')

输出：

x=tensor([[-0.1966, -0.9648,  1.2787, -1.4578],[-1.2216,  0.1663,  0.5380, -0.0376],[-1.7365, -0.4151, -1.0336, -0.6732]]) y=tensor([[ 1.4477,  0.3616, -0.1504,  0.4662],[-1.1334,  1.3100,  0.1624,  0.8206]])
z=tensor([[-0.1966, -0.9648,  1.2787, -1.4578],[-1.2216,  0.1663,  0.5380, -0.0376],[-1.7365, -0.4151, -1.0336, -0.6732],[ 1.4477,  0.3616, -0.1504,  0.4662],[-1.1334,  1.3100,  0.1624,  0.8206]])
x_1=
tensor([[ 1.1418,  0.0774,  0.2047],[-0.0673, -1.5794,  0.0131]]) y_1=
tensor([[ 1.4149, -1.9538,  0.1660,  1.1142],[-1.6455,  0.5595, -0.1162,  0.8628]])
z_1=
tensor([[ 1.1418,  0.0774,  0.2047,  1.4149, -1.9538,  0.1660,  1.1142],[-0.0673, -1.5794,  0.0131, -1.6455,  0.5595, -0.1162,  0.8628]])Process finished with exit code 0

---

torch.Tensor.repeat()：

对象：给定的张量，即Tensor型。
功能：在指定的维度上对张量进行重复扩充，也可以用来增加维度。
输出：升维或扩充后的张量。
函数以及参数：torch.tensor.repeat(size)，size所在的索引表示扩充的维度的索引。
size：表示张量在这个索引维度下的扩充倍数。
注意事项：函数的参数量必须大于等于tensor的维度，如a.shape=(2,3)，那么如果我们想扩充2倍a的第0个维度时，应该这么写a.repeat(2,1)，对于不扩充的维度则写1。

应用实例1：一维张量扩充

代码：

import torchx = torch.randn(3)print(f'x={x}')print(f'x_1={x.repeat(2)}')

输出：

x=tensor([-0.1485,  1.8445,  1.4257])
x_1=tensor([-0.1485,  1.8445,  1.4257, -0.1485,  1.8445,  1.4257])

应用实例2：多维张量扩充

代码：

import torchx = torch.randn(3, 4, 3)print(f'x={x}')
#在第2个维度上扩充两倍，其他维度保持不变
print(f'x_1={x.repeat(1,1,2)}')

输出：

x=tensor([[[-0.0294,  1.2902,  0.9825],[-0.3032,  1.6733,  0.9163],[ 0.3079, -0.0159,  0.2626],[-0.2934, -0.6076,  0.1593]],[[ 1.7661, -1.0698,  0.4074],[-0.3660, -0.3219,  0.3732],[-1.3314, -0.8263, -1.0793],[ 1.2589,  0.1886,  0.5453]],[[ 0.2520, -0.5695, -0.6685],[ 0.5554,  0.0119, -0.5650],[ 0.9733, -0.3812,  0.1963],[-1.1284,  0.2561,  0.4507]]])
x_1=tensor([[[-0.0294,  1.2902,  0.9825, -0.0294,  1.2902,  0.9825],[-0.3032,  1.6733,  0.9163, -0.3032,  1.6733,  0.9163],[ 0.3079, -0.0159,  0.2626,  0.3079, -0.0159,  0.2626],[-0.2934, -0.6076,  0.1593, -0.2934, -0.6076,  0.1593]],[[ 1.7661, -1.0698,  0.4074,  1.7661, -1.0698,  0.4074],[-0.3660, -0.3219,  0.3732, -0.3660, -0.3219,  0.3732],[-1.3314, -0.8263, -1.0793, -1.3314, -0.8263, -1.0793],[ 1.2589,  0.1886,  0.5453,  1.2589,  0.1886,  0.5453]],[[ 0.2520, -0.5695, -0.6685,  0.2520, -0.5695, -0.6685],[ 0.5554,  0.0119, -0.5650,  0.5554,  0.0119, -0.5650],[ 0.9733, -0.3812,  0.1963,  0.9733, -0.3812,  0.1963],[-1.1284,  0.2561,  0.4507, -1.1284,  0.2561,  0.4507]]])

应用实例3：张量维度扩充

代码：

import torchx = torch.randn(1,2)print(f'x={x}')
#将a多扩充一个维度，这个维度扩充的倍数需要写在最前面，如此案例的3
print(f'x_1={x.repeat(3,1,1)}')

输出：

x=tensor([[-0.2581, -0.8387]])
x_1=tensor([[[-0.2581, -0.8387]],[[-0.2581, -0.8387]],[[-0.2581, -0.8387]]])

持续更新中…