深度学习与PyTorch入门实战 - 11. 合并与分割

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/dragen1860

摘要

文档介绍了PyTorch中张量的拼接与拆分操作，包括Cat、Stack、Split和Chunk等方法。通过示例代码展示了如何沿着不同维度进行张量的合并与分割，并讨论了张量大小不匹配时的错误处理。文档重点讲解了如何使用dim参数指定合并维度，以及如何通过Split和Chunk实现张量的拆分操作。

AI总结

## 总结

本节内容主要介绍了PyTorch中张量的拼接与拆分操作，重点讲解了`cat`、`stack`、`split`和`chunk`等常用方法，并通过代码示例展示了它们的使用场景和注意事项。以下是核心内容的总结：

### 1. `torch.cat`：拼接张量
- **功能**：沿指定维度拼接多个张量。
- **示例**：
- `a = torch.rand(4,32,8)`，`b = torch.rand(5,32,8)`
- `torch.cat([a, b], dim=0).shape` 结果为 `torch.Size([9, 32, 8])`。
- **特点**：
- 拼接后的张量在指定维度的长度为输入张量在该维度长度的总和。
- 常用于批量数据的拼接。

### 2. `torch.stack`：堆叠张量
- **功能**：在新维度上堆叠多个张量，生成一个新的张量。
- **示例**：
- `a = torch.rand(32, 8)`，`b = torch.rand(32, 8)`
- `torch.stack([a, b], dim=0).shape` 结果为 `torch.Size([2, 32, 8])`。
- **特点**：
- 输入张量的形状必须一致（除了堆叠的新维度）。
- 常用于将多个张量沿新维度堆叠。

### 3. `torch.split`：拆分张量
- **功能**：沿指定维度将张量拆分成多个张量。
- **示例**：
- `c = torch.stack([a, b], dim=0)`，`c.shape` 为 `torch.Size([2, 32, 8])`。
- `aa, bb = c.split([1, 1], dim=0)`，结果为 `aa.shape` 和 `bb.shape` 均为 `torch.Size([1, 32, 8])`。
- **注意事项**：
- 拆分的大小需与张量在指定维度的长度匹配，否则会报错。
- 例如，尝试将长度为1的张量拆分成2部分会导致错误：`ValueError: not enough values to unpack (expected 2, got 1)`。

### 4. `torch.chunk`：分割张量
- **功能**：将张量沿指定维度分割成指定数量的等分。
- **示例**：
- `c = torch.stack([a, b], dim=0)`，`c.shape` 为 `torch.Size([2, 32, 8])`。
- `aa, bb = c.chunk(2, dim=0)`，结果为 `aa.shape` 和 `bb.shape` 均为 `torch.Size([1, 32, 8])`。
- **特点**：
- 分割后的张量在指定维度的长度为输入张量在该维度长度的等分。
- 常用于将张量均匀分割。

### 5. `cat`与`stack`的区别
- **`cat`**：沿指定维度拼接张量，要求输入张量在该维度外的其他维度形状一致。
- **`stack`**：在新维度堆叠张量，要求输入张量形状一致（除了堆叠的新维度）。

### 总结
- **`cat`**：用于沿指定维度拼接张量，常用于批量数据的拼接。
- **`stack`**：用于在新维度堆叠张量，常用于将多个张量沿新维度堆叠。
- **`split`**：用于沿指定维度拆分张量，需注意拆分大小与张量长度匹配。
- **`chunk`**：用于将张量沿指定维度分割成指定数量的等分，常用于均匀分割张量。

这些操作在深度学习模型的构建和数据处理中非常常用，掌握它们的使用方法和注意事项对PyTorch编程非常有帮助。