torch.stack()的官方解释，详解以及例子

可以直接看最下面的例子，再回头看前面的解释

在

pytorch

中，常见的拼接函数主要是两个，分别是：

stack()

cat()

实际使用中，这两个函数互相辅助：关于

cat()

参考这个torch.cat()，但是本文主要说

stack()

。

前言

函数的意义：使用

stack

是为了保留–[1. 序列(先后)] 和 [2. 张量矩阵] 信息， 常出现在自然语言处理（

NLP

）和图像卷积神经网络(

CV

)中。

1. stack()官方解释

官方解释：沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状。

浅显说法：把多个2维的张量凑成一个3维的张量；多个3维的凑成一个4维的张量…以此类推，也就是在增加新的维度进行堆叠。

outputs = torch.stack(inputs, dim=0)  # → Tensor

参数

inputs : 待连接的张量序列。
注：

python

的序列数据只有

list

和

tuple

。

dim : 新的维度， 必须在

0

到

len(outputs)

之间。
注：

len(outputs)

是生成数据的维度大小，也就是

outputs

的维度值。

2. 重点

函数中的输入

inputs

只允许是序列；且序列内部的张量元素，必须

shape

相等

—-举例：

[tensor_1, tensor_2,..]

或者

(tensor_1, tensor_2,..)

，且必须

tensor_1.shape == tensor_2.shape

dim

是选择生成的维度，必须满足

0<=dim<len(outputs)

；

len(outputs)

是输出后的

tensor

的维度大小

不懂的看例子，再回过头看就懂了。

3. 例子

按下面的三步：准备数据，合成

inputs

，查看结果。

1.准备数据，每个的

shape
 1/2    1 2 下一页 尾页