tensor的拼接与拆分
cat函数
torch.cat(tensors,?dim=0,?*,?out=None)?→?Tensor
在指定的维度dim上，连接给定的一组张量。所有张量必须具有相同的形状（连接维度除外）。
例如在0维度上合并df1和df2向量：
?在1维度上df1和df2向量：
?例子：成绩单的合并
【班级1~4 学生 得分】
【班级5~9 学生 得分】
a = torch.rand(4,32,8)
b = torch.rand(5,32,8)
c = torch.cat([a,b],dim=0)
c.shape()
#[9,32,8]stack函数
torch.stack(tensors,?dim=0,?*,?out=None)?→?Tensor
要合并的两个tensor必须有相同的shape，会新添加一个维度，两个tensor的会沿着新增加的维度合并。
例子：
一班：【32个学生 每个学生8门课程】
二班：【32个学生 每个学生8门课程】
stack之后变为【两个班级 每个班级32个学生 每个学生有8门课程】
a = torch.rand(32,8)
b = torch.rand(32,8)
torch.stack([a,b],dim=0).shape
#[2 32 8]split函数
torch.split(tensor,?split_size_or_sections,?dim=0)
将张量分成块。每个块都是原始张量的视图。
- 如果 split_size_or_sections 是整数类型，那么张量将被拆分为大小相等的块（如果可能）。如果沿给定维度 dim 的张量大小不能被 split_size 整除，则最后一个块会最小。
- 如果 split_size_or_sections 是一个列表，那么张量将根据 split_size_or_sections 分为大小为 len(split_size_or_sections) 的块。
参数
-
tensor?(Tensor) – 要拆分的张量
-
split_size_or_sections?(int) or?(list(int)) – 单个块的大小或每个块的大小列表
-
dim?(int) – 沿其拆分张量的维度
举例说明:
>>> a = torch.arange(10).reshape(5,2)
>>> a
tensor([[0, 1],
[2, 3],
[4, 5],
[6, 7],
[8, 9]])
>>> torch.split(a, 2)
(tensor([[0, 1],
[2, 3]]),
tensor([[4, 5],
[6, 7]]),
tensor([[8, 9]]))
>>> torch.split(a, [1,4])
(tensor([[0, 1]]),
tensor([[2, 3],
[4, 5],
[6, 7],
[8, 9]]))chunk函数
torch.chunk(input,?chunks,?dim=0)?→ List of Tensors
将张量拆分为特定数量的块。每个块都是输入张量的一个视图。 如果沿给定维度 dim 的张量大小不能被块整除，则最后一个块将更小。
Parameters
例子1：
a = torch.rand(6,32,8)
b,c,d= torch.chunk(a,3,dim=0)
print(b.shape)
print(c.shape)
print(d.shape)
#torch.Size([2, 32, 8])
#torch.Size([2, 32, 8])
#torch.Size([2, 32, 8])例子2：
a = torch.rand(5,32,8)
b,c,d= torch.chunk(a,3,dim=0)
print(b.shape)
print(c.shape)
print(d.shape)
#torch.Size([2, 32, 8])
#torch.Size([2, 32, 8])
#torch.Size([1, 32, 8])例子3：
a = torch.rand(5,32,8)
b,c= torch.chunk(a,2,dim=0)
print(b.shape)
print(c.shape)
#torch.Size([3, 32, 8])
#torch.Size([2, 32, 8])??