2021.08.22学习内容torch.cat()和torch.stack()函数
torch.cat()函数
将两个张量(tensor)拼接在一起,cat是concatnate的意思,即拼接,联系在一起。
def cat(tensors: List[torch.Tensor], dim: int = 0)
C = torch.cat( (A,B),0 ) #按维数0拼接(竖着拼)(dim=0)C = torch.cat( (A,B),1 ) #按维数1拼接(横着拼)(dim=1)
torch.stack()函数
这两者的区别在于torch.cat沿着给定的维度拼接,而torch.stack会新增一维。
A = torch.IntTensor([[1,2,3],[11,22,33]])
B = torch.IntTensor([[4,5,6],[44,55,66]])
C = torch.stack([A,B],dim=0)
D = torch.stack([A,B],dim=1)
E = torch.stack([A,B],dim=2)
print('\nA:',A ,'\nB:',B,'\nC:',C,'\nD:',D,'\nE:',E)
-------------结果-------------------
A: tensor([[ 1, 2, 3],[11, 22, 33]], dtype=torch.int32) # size:2*3
B: tensor([[ 4, 5, 6],[44, 55, 66]], dtype=torch.int32) # size:2*3
C: tensor([[[ 1, 2, 3],[11, 22, 33]],[[ 4, 5, 6],[44, 55, 66]]], dtype=torch.int32) # size: 2*2*3
D: tensor([[[ 1, 2, 3],[ 4, 5, 6]],[[11, 22, 33],[44, 55, 66]]], dtype=torch.int32) # size: 2*2*3
E: tensor([[[ 1, 4],[ 2, 5],[ 3, 6]],[[11, 44],[22, 55],[33, 66]]], dtype=torch.int32)# size: 2*3*2
————————————————
版权声明:示例为CSDN博主「沐风大大」的原创文章,
原文链接:https://blog.csdn.net/weixin_42621901/article/details/109103604
numel()函数:返回数组中元素的个数
所谓三维(3D)数据,是指数据包含了现实三维场景中完整的几何信息的数据,与我们熟悉的二维数据相比,由于3D数据带有深度信息,因此它也成为了实现高精度识别、定位、重建、场景理解等机器视觉的关键。
SENet:
Sequeeze:顺着空间维度来进行特征压缩,将每个二维的特征通道变成一个实数,这个实数某种程度上具有全局的感受野,并且输出的维度和输入的特征通道数相匹配。它表征着在特征通道上响应的全局分布,而且使得靠近输入的层也可以获得全局的感受野。具体操作就是对原特征图C * W * H 进行global average pooling,然后得到了一个 1 * 1 * C 大小的特征图,这个特征图具有全局感受野。
Excitation :输出的1x1xC特征图,再经过两个全连接神经网络,最后用一个类似于循环神经网络中门的机制。通过参数来为每个特征通道生成权重,其中参数被学习用来显式地建模特征通道间的相关性(论文中使用的是sigmoid)(原文链接:https://blog.csdn.net/qq_35451572/article/details/106620086)
一种称为scSE(Concurrent Spatial and Channel `Squeeze & Excitation’) block的神经网络,它可以应用在CNN的任意层,用于增强CNN编码空间信息(spatial encoding)能力,提高CNN的图像识别能力。
2021.08.22学习内容torch.cat()和torch.stack()函数相关推荐
- 2021.08.23学习内容Pytorch与Torch的关系以及Torchvision作用
** PyTorch **: 是一个开源的Python机器学习库,基于Torch,用于自然语言处理等应用程序. 2017年1月,由Facebook人工智能研究院(FAIR)基于Torch推出了PyTo ...
- 2021.08.25学习内容torch.clamp(input, min, max, out=None) → Tensor,torch.mm(matrix multiply)
学习pytorch时,看到了mm和clamp,不甚理解,其他地方也看到过,所以具体了解一下 前向传递:计算预测yh = x.mm(w1)h_relu = h.clamp(min=0) 把 h 张量的最 ...
- 2021.08.24学习内容torch.utils.data.DataLoader以及CUDA与GPU的关系
pytorch数据加载: ①totchvision 的包,含有支持加载类似Imagenet,CIFAR10,MNIST 等公共数据集的数据加载模块 torchvision.datasets impor ...
- 2021.08.26学习内容 Win10+GeForce GTX1650安装NVIDIA显卡驱动及CUDA11.4+cuDNN8.2
之前主要使用Ubuntu系统,但是个人笔记本更多使用windows,为了方便跑一些pytorch的小代码,所以想在windows配置一下相关环境,达到调用GPU运算的目的. 记录也是为了自己以后有安装 ...
- torch.cat 和 torch.stack
torch.cat 和 torch.stack看起来相似但是性质还是不同的 使用python中的list列表收录tensor时,然后将list列表转化成tensor时,会报错.这个时候就要使用torc ...
- pytorch学习——torch.cat和torch.stack的区别
合并tensors torch.cat 沿着特定维数连接一系列张量. torch.stack 沿新维度连接一系列张量. torch.cat 在给定维度中连接给定的 seq 个张量序列. 所有张量必须具 ...
- torch.cat() 和 torch.stack()
网上很多的示例,都在讨论二维数据(矩阵),单是对于做图像与深度学习的人来说均是三维起步,一般都是4维,下边以4维数据举例 对于pytorch中的堆叠与拼接函数stack与cat,二者还是有一定的不同 ...
- 2021.2.22学习总结
day15--学习总结 异常捕获 什么是异常:程序运行的时候报错了,我们程序出现了异常 程序异常的后果:程序会在异常的地方直接结束,不会往后继续执行 异常捕获 目的:当程序出现异常的时候,程序不崩溃还 ...
- Pytorch教程(十九)torch.cat与torch.stack的区别
这一节,将分析拼接(concatenating)和叠加(stacking)张量的区别. 首先看三个例子,一个是pytorch,一个是TensorFlow,一个是numpy. stack和cat张量之间 ...
最新文章
- 女生做软件测试需要学习什么技术?
- MySQL优化篇:执行计划explain中key_len计算方式
- 智能车竞赛视觉AI组总结 西南科技大学 – 西科二队
- linux如何编辑启动项,Ubuntu 11.04 启动项的修改
- 最近项目用到Dubbo框架,临时抱佛脚分享一下共探讨(转)
- 计算机应用能力大纲,计算机应用能力水平考试大纲.doc
- 判断只有符号数字 java_java编程 判断输入的字符,数字,及其他符号的个数
- tf.gfile()函数
- 使用telnet命令测试网络时连接建立后无法退出解决办法
- 基于scikit-learn的SVM实战
- 交互设计软件 html,交互设计工具篇
- 575万奖金!2022年数学界「诺贝尔奖」发布,拓扑学大师获奖
- 数分笔记整理22 - 数据处理项目 - 中国姓氏排行研究 房价影响因素挖掘
- 无限循环小数四则运算_无限循环小数的加减乘除及无限循环小数转换为分数形式-何长峻...
- Win10-C盘清理方法全攻略(从剩余9G到剩49G)
- 小学计算机教师业务笔记,小学教师业务笔记
- linux avi 转mp4,怎么把视频avi格式怎么转换成mp4格式
- CSS基础班笔记(二)
- Editplus激活码2019.5--亲测可用
- 【PyTorch系列】找不到d2lzh_pytorch包,No module named ‘d2lzh_pytorch’
热门文章
- nginx负载均衡基于ip_hash的session粘帖
- JEECG V3.0版本 (工作流在线定义+UI快速开发库+代码生成器) 全新架构技术,漂亮的界面+智能代码生成+智能工作流
- 【华为云 ModelArts-Lab AI实战营】第三期:图像分类 (III) 模型参数网络调优
- 苹果面向Mac发布英特尔处理器漏洞缓解措施
- 简单async/wait使用样例
- 行政区划代码转为字典形式
- 本科,程序员,北京工作两年多,税后12k,出路在哪里?
- Tyvj P1463 智商问题 分块
- DP--POJ 2241
- 利用Cache缓存数据DataTable数据提高大数据量访问性能-.NET教程,数据库应用