Pytorch中torch.repeat()函数解析
一. torch.repeat()函数解析
1. 说明
官网：torch.tensor.repeat()，函数说明如下图所示：
2. 函数功能
torch.tensor.repeat()函数可以对张量进行重复扩充
1) 当参数只有两个时：（行的重复倍数，列的重复倍数），1表示不重复。
2) 当参数有三个时：（通道数的重复倍数，行的重复倍数，列的重复倍数），1表示不重复。
3. 代码例子如下：
3.1 输入一维张量，参数为一个，即表示在列上面进行重复n次
a = torch.randn(3)
a,a.repeat(4)
结果如下所示：
(tensor([ 0.81, -0.57, 0.10]),tensor([ 0.81, -0.57, 0.10, 0.81, -0.57, 0.10, 0.81, -0.57, 0.10, 0.81,-0.57, 0.10]))
3.2 输入一维张量，参数为两个(m,n)，即表示先在列上面进行重复n次，再在行上面重复m次，输出张量为二维
a = torch.randn(3)
a,a.repeat(4,2)
(tensor([ 0.06, -0.76, -0.59]),tensor([[ 0.06, -0.76, -0.59, 0.06, -0.76, -0.59],[ 0.06, -0.76, -0.59, 0.06, -0.76, -0.59],[ 0.06, -0.76, -0.59, 0.06, -0.76, -0.59],[ 0.06, -0.76, -0.59, 0.06, -0.76, -0.59]]))
3.3 输入一维张量，参数为三个(b,m,n)，即表示先在列上面进行重复n次，再在行上面重复m次，最后在通道上面重复b次，输出张量为三维
a = torch.randn(3)
a,a.repeat(3,4,2)
输出结果如下：
(tensor([2.25, 0.49, 1.47]),tensor([[[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47]],[[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47]],[[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47],[2.25, 0.49, 1.47, 2.25, 0.49, 1.47]]]))
3.4 输入二维张量，参数为两个(m,n)，即表示先在列上面进行重复n次，再在行上面重复m次，输出张量为两维（注意参数个数必须大于等于输入张量维度个数）
a = torch.randn(3,2)
a,a.repeat(4,2)
输出结果如下：
(tensor([[-0.58, -1.21],[-0.35, 0.68],[ 0.33, 0.70]]),tensor([[-0.58, -1.21, -0.58, -1.21],[-0.35, 0.68, -0.35, 0.68],[ 0.33, 0.70, 0.33, 0.70],[-0.58, -1.21, -0.58, -1.21],[-0.35, 0.68, -0.35, 0.68],[ 0.33, 0.70, 0.33, 0.70],[-0.58, -1.21, -0.58, -1.21],[-0.35, 0.68, -0.35, 0.68],[ 0.33, 0.70, 0.33, 0.70],[-0.58, -1.21, -0.58, -1.21],[-0.35, 0.68, -0.35, 0.68],[ 0.33, 0.70, 0.33, 0.70]]))
3.5 输入二维张量，参数为三个(b,m,n)，即表示先在列上面进行重复n次，再在行上面重复m次，最后在通道上面重复b次，输出张量为三维。（注意输出张量维度个数为参数个数）
a = torch.randn(3,2)
a,a.repeat(3,4,2)
输出结果如下：
(tensor([[-0.75, 1.20],[-1.50, 1.75],[-0.05, 0.40]]),tensor([[[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40]],[[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40]],[[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40],[-0.75, 1.20, -0.75, 1.20],[-1.50, 1.75, -1.50, 1.75],[-0.05, 0.40, -0.05, 0.40]]]))
Pytorch中torch.repeat()函数解析相关推荐
- Pytorch中torch.argmax()函数解析
一. torch.argmax()函数解析 1. 官网链接 torch.argmax(),如下图所示: 2. torch.argmax(input)函数解析 torch.argmax(input) → ...
- PyTorch中torch.norm函数详解
torch.norm() 是 PyTorch 中的一个函数,用于计算输入张量沿指定维度的范数.具体而言,当给定一个输入张量 x 和一个整数 p 时,torch.norm(x, p) 将返回输入张量 x ...
- pytorch中torch.cholesky()函数的使用
1. 函数介绍: 功能:计算对称正定矩阵的Cholesky分解.A 或对于成批的对称正定矩阵.如果 upper 为 True ,则返回的矩阵 U 为上三角,分解形式为:A=U^TU如果 upper 为 ...
- 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torch.unsqueeze()和torch.squeeze()函数解析
一. torch.squeeze()函数解析 1. 官网链接 torch.squeeze(),如下图所示: 2. torch.squeeze()函数解析 torch.squeeze(input, di ...
- Pytorch中torch.numel()，torch.shape，torch.size()和torch.reshape()函数解析
一. torch.numel()函数解析 1. 官网链接 torch.numel(),如下图所示: 2. torch.numel()函数解析 torch.numel(input) → int 返回输入 ...
- 关于PyTorch中的register_forward_hook()函数未能执行其中hook函数的问题
关于PyTorch中的register_forward_hook()函数未能执行其中hook函数的问题 Hook 是 PyTorch 中一个十分有用的特性.利用它,我们可以不必改变网络输入输出的结构, ...
- Pytorch中的collate_fn函数用法
Pytorch中的collate_fn函数用法 官方的解释: Puts each data field into a tensor with outer dimension batch size ...
- PyTorch 中 torch.optim优化器的使用
一.优化器基本使用方法 建立优化器实例 循环: 清空梯度 向前传播 计算Loss 反向传播 更新参数 示例: from torch import optim input = ..... optimiz ...
最新文章
- Windows下安装配置SBT
- java 接口 泛型示例,java泛型接口实现示例
- Nginx防盗链、访问控制、Nginx解析PHP相关配置、Nginx代理
- Linux基础知识一
- i18n调用自己参数_Spring Boot ：I18N
- c# dialogresult 选择文件_C#控件美化之路（12）：自定义消息弹出框
- 人只会看到他想看的，不想看的视而不见
- java淘宝客开发（一）
- directsound播放32位float类型的pcm格式音频
- PCB负片(PCB Negative)
- 如何在html中自动生成条形图,Highcharts 柱形图（柱状图及条形图）之通过HTML表格数据创建的柱状图演示...
- 谈谈对springioc的理解
- ElasticSearch 之 Linux 安装 ElasticSearch-7.15.2(ELK、IK)
- 马尔可夫预测matlab编程,MATLAB马尔科夫链预测法
- mp3转换器哪个好？教你两种正确转换音频文件的技巧
- 基于SSM+MYSQL写的javaWeb房屋租赁管理系统，包括系统前端和后台，页面美观，功能完善，非常高端的SSM源码
- 使用PMML部署机器学习模型
- hdu4411(费用流)
- matlab多面函数拟合法拟合点gps水准数据 格式,拟合内插论文,关于沿海地区GPS水准模型构建相关参考文献资料-免费论文范文...
- call、apply、bind的区别？（面试题-JavaScript部分）