前文传送门：
从零开始深度学习Pytorch笔记（1）——安装Pytorch
从零开始深度学习Pytorch笔记（2）——张量的创建（上）
从零开始深度学习Pytorch笔记（3）——张量的创建（下）
在该系列的上一篇：从零开始深度学习Pytorch笔记（3）——张量的创建（下），我们介绍了更多Pytorch中的张量创建方式，本文研究张量的拼接与切分。
张量的拼接
import torch
(1) 使用torch.cat()拼接
将张量按维度dim进行拼接，不会扩张张量的维度
torch.cat(tensors, dim=0, out=None)
其中：
tensors:张量序列
dim:要拼接的维度
t = torch.ones((3,2))
t0 = torch.cat([t,t],dim=0)#在第0个维度上拼接
t1 = torch.cat([t,t],dim=1)#在第1个维度上拼接
print(t0,'\n\n',t1)
t2 = torch.cat([t,t,t],dim=0)
t2
(2) 使用torch.stack()拼接
在新创建的维度dim上进行拼接，会扩张张量的维度
torch.stack(tensors, dim=0, out=None)
参数：
tensors:张量序列
dim:要拼接的维度
t = torch.ones((3,2))
t1 = torch.stack([t,t],dim=2)#在新创建的维度上进行拼接
print(t1,t1.shape) #拼接完会从2维变成3维
我们可以看到维度从拼接前的（3，2）变成了（3，2，2），即在最后的维度上进行了拼接！
t = torch.ones((3,2))
t1 = torch.stack([t,t],dim=0)#在新创建的维度上进行拼接
#由于指定是第0维，会把原来的3，2往后移动一格，然后在新的第0维创建新维度进行拼接
print(t1,t1.shape)
t = torch.ones((3,2))
t1 = torch.stack([t,t,t],dim=0)#在新创建的维度上进行拼接
#由于是第0维，会把原来的3，2往后移动一格，然后在新的第0维创建新维度进行拼接
print(t1,t1.shape)
张量的切分
(1) 使用torch.chunk()切分
可以将张量按维度dim进行平均切分
return 张量列表
如果不能整除，最后一份张量小于其他张量
torch.chunk(input, chunks, dim=0)
参数：
input：要切分的张量
chunks：要切分的份数
dim：要切分的维度
a = torch.ones((5,2))
t = torch.chunk(a,dim=0,chunks=2)#在5这个维度切分，切分成2个张量
for idx, t_chunk in enumerate(t):
print(idx,t_chunk,t_chunk.shape)
可以看出后一个张量小于前一个张量的，前者第0个维度上是3，后者是2。
(2) 使用torch.split()切分
将张量按维度dim进行切分
return：张量列表
torch.split(tensor, split_size_or_sections, dim=0)
参数：
tensor：要切分的张量
split_size_or_sections：为int时，表示每一份的长度；为list时，按list元素切分
dim：要切分的维度
a = torch.ones((5,2))
t = torch.split(a,2,dim=0)#指定了每个张量的长度为2
for idx, t_split in enumerate(t):
print(idx,t_split,t_split.shape)#切出3个张量
a = torch.ones((5,2))
t = torch.split(a,[2,1,2],dim=0)#指定了每个张量的长度为列表中的大小【2，1，2】
for idx, t_split in enumerate(t):
print(idx,t_split,t_split.shape)#切出3个张量
a = torch.ones((5,2))
t = torch.split(a,[2,1,1],dim=0)#list中求和不为长度则抛出异常
for idx, t_split in enumerate(t):
print(idx,t_split,t_split.shape)#切出3个张量
RuntimeError:split_with_sizes expects split_sizes to sum exactly to 5 (input tensor's size at dimension 0), but got split_sizes=[2, 1, 1]
欢迎关注公众号学习之后的连载部分~
扫码下图关注我们不会让你失望！
