使用torch.stack()

Question

t1 = torch.tensor([1,2,3])
t2 = torch.tensor([4,5,6])
t3 = torch.tensor([7,8,9])

torch.stack((t1,t2,t3),dim=1)

在实现torch.stack()时，我不能理解如何对不同的dim进行堆叠。在这里，堆叠是针对列进行的，但是我不能理解它是如何完成的。处理2-d或3-D张量会变得更加复杂。

tensor([[1, 4, 7],
        [2, 5, 8],
        [3, 6, 9]])

Answer 1

想象一下有n张量。如果我们停留在3D中，它们对应于体积，即矩形长方体。堆叠对应于在另一个维度上合并这些n体积:此处添加了第4个维度来承载n 3D体积。此操作与拼接形成鲜明对比，在拼接中，卷将在现有维度之一上合并。因此，三维张量的连接将导致三维张量。

以下是有限尺寸(最多三维输入)的堆叠操作的可能表示：

​

​

您选择执行堆叠的位置定义了堆叠将沿着哪个新维度发生。在上面的示例中，新创建的维度是最后一个，因此“添加维度”的概念更有意义。

在下面的可视化中，我们观察到张量如何在不同的轴上堆叠。这反过来影响得到的张量形状。

• 对于1D情况，例如，它也可以发生在第一个轴上，见下文：

使用代码：

x_1d = list(torch.empty(3，2)) #3行>>> torch.stack(x_1d，0).shape # axis=0堆叠torch.Size(3，2) >>> torch.stack(x_1d，1).shape # axis=1堆叠torch.Size(2，list

对于二维输入，

• 也是如此：

使用代码：

x_2d = list(torch.empty(3，2，2)) #3 2x2-squares >>> torch.stack(x_2d，0).shape # axis=0 stacking torch.Size(3，2，2) >>> torch.stack(x_2d，1).shape # axis=1 stacking torch.Size(2，3，2) >>> torch.stack(x_2d，2).shape # axis=2 stacking ( 2，2，

有了这种思维状态，您可以直观地将操作扩展到n维张量。

Answer 2

非常简单！在这个例子中，我将使用4个变量。函数torch.stack非常类似于numpy (vstack和hstack)。示例：

t1 = torch.tensor([1,2,3])
t2 = torch.tensor([4,5,6])
t3 = torch.tensor([7,8,9])
t4 = torch.tensor([10,11,12])

如果您尝试此cmd

>> torch.stack((t1,t2,t3,t4),dim=1).size()
>> torch.Size([3, 4])

如果您使用dim=0更改dim=1

>> torch.stack((t1,t2,t3,t4),dim=0).size()
>> torch.Size([4, 3])

在第一种情况下，你有一个3x4维的张量，但在最后一种情况下，你有一个4x3张量。不使用.size()测试这段代码！

>> torch.stack((t1,t2,t3,t4),dim=1)
>> tensor([[ 1,  4,  7, 10],
        [ 2,  5,  8, 11],
        [ 3,  6,  9, 12]])

>> torch.stack((t1,t2,t3,t4),dim=0)
>> tensor([[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9],
        [10, 11, 12]])

祝你编码愉快！