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 ...

2021.08.22学习内容torch.cat()和torch.stack()函数

2021.08.22学习内容torch.cat()和torch.stack()函数相关推荐

最新文章

热门文章