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：
|
1
|
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。
|
1
2
3
4
5
6
|
# 定义两个大小都为[3, 5, 7]的随机Tensortensor1 = 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：
|
1
2
3
4
5
6
|
# 定义两个大小分别为 [3, 5, 7], [3, 6, 7] 的随机Tensortensor1 = 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。
|
1
2
3
4
5
6
7
8
9
|
# 定义两个大小分别为 [3, 5, 7], [4, 6, 8] 的随机Tensortensor1 = 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]) |
Part 3： 总结
torch.cat() 函数是PyTorch非常有用的函数之一，它可以在某个维度上将多个张量组合成一个大张量。理解dim参数的含义和使用方法对于深入学习PyTorch和构建神经网络非常重要。通过在 dim 参数上增加或减少索引来改变连接选定的张量的方式，我们可以让torch.cat()函数在数据处理、模型设计和深度学习中发挥重要作用。
以上就是PyTorch常用函数torch.cat()中dim参数使用说明的详细内容，更多关于PyTorch torch.cat() dim的资料请关注服务器之家其它相关文章！
原文链接：https://juejin.cn/post/722289751850115077
