3 维张量上的串联张量重塑

如何解决3 维张量上的串联张量重塑

我有 2 个张量，

它们目前的格式分别是 [13,2]。我试图将两者组合成一个维度为 [2,13,2] 的 3 维张量，以便它们堆叠在彼此的顶部，但是作为批次分开。

这里是一个格式为 [13,2] 的张量的例子：

tensor([[[-1.8588,0.3776],[ 0.1683,0.2457],[-1.2740,0.5683],[-1.7262,0.4350],[-1.0160,0.5940],[-1.3354,0.5565],[-0.7497,0.5792],[-0.2024,0.4251],[ 1.0791,-0.2770],[ 0.3032,0.1706],[ 0.8681,-0.1607]])

我想保持形状，但将它们分成两组在同一个张量中。以下是我所追求的格式示例：

tensor([[[-1.8588,-0.1607]],[[-1.8588,-0.1607]]])

有人对如何使用串联来做到这一点有任何想法吗？我曾尝试在使用 torch.cat((a,b.unsqueeze(0)),dim=-1) 时使用 .unsqueeze，但是它将格式更改为 [13,4,1] 这不是我所追求的格式。

下面的解决方案有效，但是，我的想法是我将通过循环继续堆叠到 y ，而不受形状的限制。很抱歉没有足够清楚地表达我的想法。

它们的大小都是 [13,2] 所以它会以 [1,2],[2,[3,[4,2] 等等...

解决方法

在这种情况下，您需要使用 torch.stack 而不是 torch.cat，至少它更方便：

x1 = torch.randn(13,2)
x2 = torch.randn(13,2)
y = torch.stack([x1,x2],0) # creates a new dimension 0
print(y.shape)
>>> (2,13,2)

您确实可以使用 unsqueeze 和 cat，但是您需要解压两个输入张量：

x1 = torch.randn(13,2).unsqueeze(0) # shape: (1,2).unsqueeze(0) # same
y = torch.cat([x1,0)
print(y.shape)
>>> (2,2)

这里有一个有用的线程来理解差异：difference between cat and stack

如果你需要堆叠更多张量，其实也不是很难，stack 可以处理任意数量的张量：

# This list of tensors is what you will build in your loop
tensors = [torch.randn(13,2) for i in range(10)]
# Then at the end of the loop,you stack them all together
y = torch.stack(tensors,0)
print(y.shape)
>>> (10,2)

或者，如果您不想使用列表：

# first,build the y tensor to which the other ones will be appended
y = torch.empty(0,2)
# Then the loop,and don't forget to unsqueeze
for i in range(10):
    x = torch.randn(13,2).unsqueeze(0)
    y = torch.cat([y,x],0)

print(y.shape)
>>> (10,2)