【PyTorch】torch.cat==＞张量拼接，在图像的应用上可以有效利用原始图像结构信息

1. 字面理解：torch.cat是将两个张量（tensor）拼接在一起，cat 是 concatenate 的意思，即拼接，联系在一起。

使用torch.cat((A,B),dim)时，除拼接维数dim数值可不同外其余维数数值需相同，方能对齐。

2. 例子理解

>>> import torch
>>> A=torch.ones(2,3) #2x3的张量（矩阵）
>>> A
tensor([[ 1.,  1.,  1.],[ 1.,  1.,  1.]])
>>> B=2*torch.ones(4,3)#4x3的张量（矩阵）
>>> B
tensor([[ 2.,  2.,  2.],[ 2.,  2.,  2.],[ 2.,  2.,  2.],[ 2.,  2.,  2.]])
>>> C=torch.cat((A,B),0)#按维数0（行）拼接
>>> C
tensor([[ 1.,  1.,  1.],[ 1.,  1.,  1.],[ 2.,  2.,  2.],[ 2.,  2.,  2.],[ 2.,  2.,  2.],[ 2.,  2.,  2.]])
>>> C.size()
torch.Size([6, 3])
>>> D=2*torch.ones(2,4) #2x4的张量（矩阵）
>>> C=torch.cat((A,D),1)#按维数1（列）拼接
>>> C
tensor([[ 1.,  1.,  1.,  2.,  2.,  2.,  2.],[ 1.,  1.,  1.,  2.,  2.,  2.,  2.]])
>>> C.size()
torch.Size([2, 7])

上面给出了两个张量A和B，分别是2行3列，4行3列。即他们都是2维张量。因为只有两维，这样在用torch.cat拼接的时候就有两种拼接方式：按行拼接和按列拼接。即所谓的维数0和维数1.

C=torch.cat((A,B),0)就表示按维数0（行）拼接A和B，也就是竖着拼接，A上B下。此时需要注意：列数必须一致，即维数1数值要相同，这里都是3列，方能列对齐。拼接后的C的第0维是两个维数0数值和，即2+4=6.

C=torch.cat((A,B),1)就表示按维数1（列）拼接A和B，也就是横着拼接，A左B右。此时需要注意：行数必须一致，即维数0数值要相同，这里都是2行，方能行对齐。拼接后的C的第1维是两个维数1数值和，即3+4=7.

从2维例子可以看出，使用torch.cat((A,B),dim)时，除拼接维数dim数值可不同外其余维数数值需相同，方能对齐。

3.实例

在深度学习处理图像时，常用的有3通道的RGB彩色图像及单通道的灰度图。张量size为CxHxW,即通道数x图像高度x图像宽度。在用torch.cat拼接两张图像时一般要求图像大小一致而通道数可不一致，即h和w同，c可不同。当然实际有3种拼接方式（按照通道进行cat，按照H进行cat，按照W进行cat【其实这里如果是四维的，即带有batchsize的，那么还可以按照batchsize进行cat】），另两种好像不常见。比如经典网络结构：U-Net

里面用到4次torch.cat,其中copy and crop操作就是通过torch.cat来实现的。可以看到通过上采样（up-conv 2x2）将原始图像h和w变为原来2倍，再和左边直接copy过来的同样h,w的图像拼接。这样做，可以有效利用原始结构信息。

1、问：实例中copy and crop左右两边特征图尺寸不同啊？例如最上面，左边是568*568，右边是392*392，博主麻烦解释下，是我理解错误吗？

答：是要在copy之后再进行crop,然后才能cat操作，它的操作是copy and crop,是有剪切的操作。需要剪切（crop）到和右边图一般大才可以cat。

2、问：u_net 中的torch.cat后组成的feature map 的变化是在通道数吗还是大小？

答：在通道数上进行cat，比如最上面一个copy-and-cropy操作，通道数由左边的64变成了128。

PyTorch的torch.cat_my-GRIT的博客-CSDN博客_torch.cat

【PyTorch】torch.cat==＞张量拼接，在图像的应用上可以有效利用原始图像结构信息相关推荐

[PyTorch] 拼接多个tensor：torch.cat((A,B),axis)
注:参考博客Pytorch中的torch.cat()函数.本人在其基础上增加了更为详细的解释. torch.cat((A,B),axis)是对A, B两个tensor进行拼接. 参数axis指定拼接的 ...
【深度学习】特征融合的重要方法 | 张量的拼接 | torch.cat()函数 | torch.add(函数
文章目录前言一.torch.cat()函数拼接只存在h,w(高,宽)的图像二.torch.cat() 拼接存在c,h,w(通道,高,宽)的图像三.torch.add()使张量对应元素直接相加 ...
PyTorch的torch.cat
字面理解:torch.cat是将两个张量(tensor)拼接在一起,cat是concatnate的意思,即拼接,联系在一起. 例子理解 import torch A=torch.ones(2,3) # ...
【pytorch】torch.cat()函数
欢迎移步我的个人博客例子 import torchA=torch.ones(2,3) #2x3的张量(矩阵) Atensor([[ 1., 1., 1.],[ 1., 1., 1.]])B=2*to ...
pytorch 中 torch.cat 函数的使用
1. 字面理解:torch.cat是将两个张量(tensor)拼接在一起,cat是concatnate的意思,即拼接,联系在一起. 2. 例子理解 >>> import torch ...
Pytorch中的torch.cat()函数
转载自:https://www.cnblogs.com/JeasonIsCoding/p/10162356.html 1. 字面理解:torch.cat是将两个张量(tensor)拼接在一起,cat是 ...
pytorch拼接函数：torch.stack()和torch.cat()--详解及例子
原文链接: https://blog.csdn.net/xinjieyuan/article/details/105205326 https://blog.csdn.net/xinjieyuan/ar ...
PyTorch基础（五）----- torch.cat()方法
cat是concatnate的缩写,concatnate的含义拼接,深度学习模型中最为常见的是通道拼接. 一.普通用法 dim = 1:表示将张量A.B按照维数1进行拼接,换句话说,就是按照列进行拼接 ...
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 ...

【PyTorch】torch.cat==＞张量拼接，在图像的应用上可以有效利用原始图像结构信息

【PyTorch】torch.cat==＞张量拼接，在图像的应用上可以有效利用原始图像结构信息相关推荐

最新文章

热门文章