AI因你而升溫，記得加星標(biāo)哦！

↑?關(guān)注 + 星標(biāo)?，每天學(xué)Python新技能
后臺回復(fù)【大禮包】送你Python自學(xué)大禮包

在使用PyTorch時，對張量的分割與合并是不可避免的操作，本節(jié)就帶大家深刻理解張量的分割與合并。

在開始之前，我們先對張量的維度進(jìn)行深入理解：

t2?=?torch.zeros((3,?4))
#?tensor([[0.,?0.,?0.,?0.],
#?????????[0.,?0.,?0.,?0.],
#?????????[0.,?0.,?0.,?0.]])
????????
t2.shape
#?torch.Size([3,?4])

重點(diǎn)理解

我們可以把shape的返回結(jié)果看成一個序列，代表著各張量維度的信息，第一個數(shù)字3代表行，即向量數(shù)，第二個數(shù)字4代表列，即每個向量中的標(biāo)量數(shù)。

深入理解：t2是由3個一維張量組成，并且每個一維張量都包含四個元素。

張量的分割

chunk(tensor, chunks, dim)

chunk函數(shù)能夠按照某個維度(dim)對張量進(jìn)行均勻切分(chunks)，并且返回結(jié)果是原張量的視圖。

#?創(chuàng)建一個4×3的矩陣
t2?=?torch.arange(12).reshape(4,?3)
t2
#?tensor([[?0,??1,??2],
#????????[?3,??4,??5],
#????????[?6,??7,??8],
#????????[?9,?10,?11]])

張量可均分時

在第0個維度（shape的第一個數(shù)字，代表向量維度）上將t2進(jìn)行4等分：

#?在矩陣中，第一個維度是行，理解為shape的第一個數(shù)
tc?=?torch.chunk(t2,?chunks?=?4,?dim?=?0)
tc
#?(tensor([[0,?1,?2]]),
#??tensor([[3,?4,?5]]),
#??tensor([[6,?7,?8]]),
#??tensor([[?9,?10,?11]]))

根據(jù)結(jié)果可見：

1. 返回結(jié)果是一個元組，不可變

tc[0]?=?torch.tensor([[1,?1,?1]])
#?TypeError:?'tuple'?object?does?not?support?item?assignment

2. 元組中的每個值依然是一個二維張量

tc[0]
#?tensor([[0,?1,?2]])

3. 返回的張量tc的一個視圖，不是新成了一個對象

#?我們將原張量t2中的數(shù)值進(jìn)行更改
t2[0]?=?torch.tensor([6,?6,?6])
#?再打印分塊后tc的結(jié)果
tc
#?(tensor([[6,?6,?6]]),
#??tensor([[3,?4,?5]]),
#??tensor([[6,?7,?8]]),
#??tensor([[?9,?10,?11]]))

若還不懂視圖概念，點(diǎn)擊這里進(jìn)行學(xué)習(xí)

張量不可均分時

若原張量不能均分時，chunk不會報錯，會返回次一級均分結(jié)果。

#?創(chuàng)建一個4×3的矩陣
t2?=?torch.arange(12).reshape(4,?3)
t2
#?tensor([[?0,??1,??2],
#????????[?3,??4,??5],
#????????[?6,??7,??8],
#????????[?9,?10,?11]])

將4行分為3等份，不可分，就會返回2等分的結(jié)果：

tc?=?torch.chunk(t2,?chunks?=?3,?dim?=?0)
tc
#?(tensor([[0,?2,?2],
#??????????[3,?4,?5]]),?
#??tensor([[?6,??7,??8],
#??????????[?9,?10,?11]]))

將4行分為5等份，不可分，就會返回4等分的結(jié)果：

tc?=?torch.chunk(t2,?chunks?=?5,?dim?=?0)
#?(tensor([[0,?2,?2]]),
#??tensor([[3,?4,?5]]),
#??tensor([[6,?7,?8]]),
#??tensor([[?9,?10,?11]]))

split函數(shù)

split既能進(jìn)行均分，也能進(jìn)行自定義切分。需要注意的是split的返回結(jié)果也是視圖。

#?第二個參數(shù)只輸入一個數(shù)值時表示均分
#?第三個參數(shù)表示切分的維度
torch.split(t2,?2,?dim?=?0)
#?(tensor([[0,?1,?2],
#??????????[3,?4,?5]]),?
#??tensor([[?6,??7,??8],
#??????????[?9,?10,?11]]))

與chunk函數(shù)不同的是，split第二個參數(shù)可以輸入一個序列，表示按照序列數(shù)值等分：

torch.split(t2,?[1,3],?dim?=?0)
#?(tensor([[0,?1,?2]]),?
#??tensor([[?3,??4,??5],
#??????????[?6,??7,??8],
#??????????[?9,?10,?11]]))

當(dāng)?shù)诙€參數(shù)輸入一個序列時，序列的各數(shù)值的和必須等于對應(yīng)維度下形狀分量的取值，即shape對應(yīng)的維度。

例如上述代碼中，是按照第一個維度進(jìn)行切分，而t2總共有4行，因此序列的求和必須等于4，也就是1+3=4，而序列中每個分量的取值，則代表切塊大小。

torch.split(t2,?[1,?1,?2],?0)
#?(tensor([[0,?1,?2]]),?
#??tensor([[3,?4,?5]]),?
#??tensor([[?6,??7,??8],
#?????????[?9,?10,?11]]))

將張量第一個維度（行維度）分為1:1:2。

張量的合并

張量的合并操作類似與列表的追加元素，可以進(jìn)行拼接、也可以堆疊。

這里一定要將dim參數(shù)與shape返回的結(jié)果相對應(yīng)理解。

cat拼接函數(shù)

a?=?torch.zeros(2,?3)
a
#?tensor([[0.,?0.,?0.],
#?????????[0.,?0.,?0.]])

b?=?torch.ones(2,?3)
b
#?tensor([[1.,?1.,?1.],
#?????????[1.,?1.,?1.]])

因為在張量a與b中，shape的第一個位置是代表向量維度，所以當(dāng)dim取0時，就是將向量進(jìn)行合并，向量中的標(biāo)量數(shù)不變：

torch.cat([a,?b],?dim?=?0)
#?tensor([[0.,?0.,?0.],
#?????????[0.,?0.,?0.],
#?????????[1.,?1.,?1.],
#?????????[1.,?1.,?1.]])

當(dāng)dim取1時，shape的第二個位置是代表列，即標(biāo)量數(shù)，就是在列上（標(biāo)量維度）進(jìn)行拼接，行數(shù)（向量數(shù)）不變：

torch.cat([a,?b],?dim?=?1)
#?tensor([[0.,?0.,?0.,?1.,?1.,?1.],
##????????[0.,?0.,?0.,?1.,?1.,?1.]])

將dim與shape結(jié)合理解，是不是清晰明了了？

維度有疑惑的同學(xué)，點(diǎn)擊這里進(jìn)行學(xué)習(xí)

stack堆疊函數(shù)

和拼接不同，堆疊不是將元素拆分重裝，而是將各參與堆疊的對象分裝到一個更高維度的張量里。

a?=?torch.zeros(2,?3)
a
#?tensor([[0.,?0.,?0.],
#?????????[0.,?0.,?0.]])

b?=?torch.ones(2,?3)
b
#?tensor([[1.,?1.,?1.],
#?????????[1.,?1.,?1.]])

堆疊之后，生成一個三維張量：

torch.stack([a,?b],?dim?=?0)
#?tensor([[[0.,?0.,?0.],
#??????????[0.,?0.,?0.]],
#?????????[[1.,?1.,?1.],
#??????????[1.,?1.,?1.]]])

torch.stack([a,?b],?dim?=?0).shape
#?torch.Size([2,?2,?3])

此例中，就是將兩個維度為1×2×3的張量堆疊為一個2×2×3的張量。

與cat的區(qū)別

拼接之后維度不變，堆疊之后維度升高。拼接是把一個個元素單獨(dú)提取出來之后再放到二維張量里，而堆疊則是直接將兩個二維向量封裝到一個三維張量中。因此，堆疊的要求更高，參與堆疊的張量必須形狀完全相同。

與python對比

a?=?[1,?2]
b?=?[3,?4]

cat拼接操作與list的extend相似，不會改變維度，只會在已有框架內(nèi)增加元素：

a.extend(b)
a
#?[1,?2,?3,?4]

stack堆疊操作與list的append相似，會改變維度：

a?=?[1,?2]
b?=?[3,?4]
a.append(b)
a
#?[1,?2,?[3,?4]]