PyTorch常用函数torch.cat()中dim参数怎么使用

本文小编为大家详细介绍“PyTorch常用函数torch.cat()中dim参数怎么使用”，内容详细，步骤清晰，细节处理妥当，希望这篇“PyTorch常用函数torch.cat()中dim参数怎么使用”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

Part 1： 简介

在PyTorch中，torch.cat()是一个被广泛使用的函数。它可以让我们在某个维度上把多个张量组合在一起。对于那些想要深入了解使用PyTorch进行数据分析和建模的开发者来说，理解torch.cat()函数的dim参数是非常重要的。

在PyTorch中，几乎所有与神经网络有关的操作都涉及到张量（Tensor）操作。因此，在PyTorch中，将多个相同形状的张量沿某个轴/维度连接起来的过程非常重要。这就是 torch.cat() 函数的作用。torch.cat() 的最基本用法如下：

torch.cat(tensors, dim=0, out=None) -> Tensor

其中tensors表示要拼接的张量列表，dim表示我们希望在哪个维度上连接，默认是0，即在第一维上连接。out是输出张量，可不传入，当传入此参数时其大小必须能容纳在cat操作后的输出tensor中。

Part 2： dim参数的说明

dim参数指示拼接发生的轴或维度。在拼接多个张量时，我们必须指定在哪个维度上拼接它们。dim参数可以是正数、负数或None（默认为0），具体来说，dim参数可以有以下三种常见用法：

正数

最常见的方式是使用正整数来指定要连接的维度/轴的索引值。例如，在将两个大小为 3x5x7 的张量沿第2个维度拼接在一起时，这些张量变成一个形状为 3x10x7 的张量。

# 定义两个大小都为[3, 5, 7]的随机Tensor
tensor1 = torch.randn(3, 5, 7)
tensor2 = torch.randn(3, 5, 7)
# 在第二维度上（索引1）进行合并 
cat_tensor = torch.cat((tensor1, tensor2), dim=1)
print(cat_tensor.shape) # 输出: torch.Size([3, 10, 7])

负数

我们也可以使用负整数来表示要连接的轴/维度。当dim参数被设置为负整数时，它代表距离张量最后一个轴的间隔数。例如，将一个大小为3x5x7 和一个大小为3x6x7的张量沿着最后一个维度进行拼接，即 concatenate 第三个维度：

# 定义两个大小分别为 [3, 5, 7], [3, 6, 7] 的随机Tensor
tensor1 = torch.randn(3, 5, 7)
tensor2 = torch.randn(3, 6, 7)
# 在最后一个维度上（-1表示）进行合并 
cat_tensor = torch.cat((tensor1, tensor2), dim=-1)
print(cat_tensor.shape) # 输出: torch.Size([3, 5, 14])

None

如果 dim 参数的值为 None，则会将所有输入张量沿着前面的维度全部展开。这通常会在神经网络模型中使用，例如在线性层之间堆叠各个特征向量时。

# 定义两个大小分别为 [3, 5, 7], [4, 6, 8] 的随机Tensor
tensor1 = torch.randn(3, 5, 7)
tensor2 = torch.randn(4, 6, 8)
# 将每个张量reshape为1D向量 
resized_t1 = tensor1.view(-1)
resized_t2 = tensor2.view(-1)
# 按行连接两个1D张量  
cat_tensor = torch.cat((resized_t1, resized_t2), dim=None)
print(cat_tensor.shape) # 输出: torch.Size([315])

读到这里，这篇“PyTorch常用函数torch.cat()中dim参数怎么使用”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注亿速云行业资讯频道。