重庆市政府公众信息网官网_seo排名如何_最大的搜索网站排名_搞一个公司网站得多少钱

---

在 PyTorch 中，torch.cat() 是一种用于在指定维度上连接张量的操作。它能够将多个张量沿某个轴拼接成一个新的张量。

---

语法

torch.cat(tensors, dim=0)

• tensors：一个包含多个待拼接张量的列表或元组。这些张量在指定的 dim 维度以外的所有维度上必须具有相同的形状。
• dim：指定在哪个维度上进行拼接操作。

---

使用规则

1. 在指定维度上，张量的形状可以不同（因为会拼接）。
2. 在其他维度上，张量的形状必须相同。

---

示例 1：在第 0 维（行）拼接

x = torch.tensor([[1, 2], [3, 4]])  # 形状 (2, 2)
y = torch.tensor([[5, 6], [7, 8]])  # 形状 (2, 2)result = torch.cat((x, y), dim=0)  # 在第 0 维拼接
print(result)

输出：

tensor([[1, 2],[3, 4],[5, 6],[7, 8]])

• 原始张量 x 和 y 在第 0 维上（行方向）拼接，因此新张量的形状为 (4, 2)。

---

示例 2：在第 1 维（列）拼接

x = torch.tensor([[1, 2], [3, 4]])  # 形状 (2, 2)
y = torch.tensor([[5, 6], [7, 8]])  # 形状 (2, 2)result = torch.cat((x, y), dim=1)  # 在第 1 维拼接
print(result)

输出：

tensor([[1, 2, 5, 6],[3, 4, 7, 8]])

• 原始张量 x 和 y 在第 1 维上（列方向）拼接，因此新张量的形状为 (2, 4)。

---

示例 3：在高维张量上拼接

我们来创建两个高维张量 x 和 y，并分别在不同维度（dim=0, dim=1, dim=2）上使用 torch.cat 进行拼接，展示具体计算结果。

---

初始张量

x = torch.tensor([[[1, 2, 3], [4, 5, 6]],[[7, 8, 9], [10, 11, 12]]
])  # 形状 (2, 2, 3)y = torch.tensor([[[13, 14, 15], [16, 17, 18]],[[19, 20, 21], [22, 23, 24]]
])  # 形状 (2, 2, 3)

• x 和 y 是形状为 (2, 2, 3) 的 3D 张量：

  x:
  [[[ 1,  2,  3], [ 4,  5,  6]],       [[ 7,  8,  9],      [10, 11, 12]]]       y:
  [[[13, 14, 15],[16, 17, 18]],[[19, 20, 21],[22, 23, 24]]]
  

---

1. 在 dim=0 拼接

result_dim0 = torch.cat((x, y), dim=0)
print(result_dim0.shape)  # torch.Size([4, 2, 3])
print(result_dim0)

拼接逻辑：

• 在第 0 维度（最外层）拼接，结果张量包含 4 个“块”，每个“块”的形状仍然是 (2, 3)。

结果：

result_dim0:
[[[  1,   2,   3],[  4,   5,   6]],[[  7,   8,   9],[ 10,  11,  12]],[[ 13,  14,  15],[ 16,  17,  18]],[[ 19,  20,  21],[ 22,  23,  24]]]

---

2. 在 dim=1 拼接

result_dim1 = torch.cat((x, y), dim=1)
print(result_dim1.shape)  # torch.Size([2, 4, 3])
print(result_dim1)

拼接逻辑：

• 在第 1 维度（每个“块”中的行）拼接，结果张量包含 2 个“块”，每个“块”增加了 2 行，形状从 (2, 3) 变为 (4, 3)。

结果：

result_dim1:
[[[  1,   2,   3],[  4,   5,   6],[ 13,  14,  15],[ 16,  17,  18]],[[  7,   8,   9],[ 10,  11,  12],[ 19,  20,  21],[ 22,  23,  24]]]

---

3. 在 dim=2 拼接

result_dim2 = torch.cat((x, y), dim=2)
print(result_dim2.shape)  # torch.Size([2, 2, 6])
print(result_dim2)

拼接逻辑：

• 在第 2 维度（每行中的列）拼接，结果张量包含 2 个“块”，每个“块”有 2 行，但每行的列数增加了一倍，从 3 列变为 6 列。

结果：

result_dim2:
[[[  1,   2,   3,  13,  14,  15],[  4,   5,   6,  16,  17,  18]],[[  7,   8,   9,  19,  20,  21],[ 10,  11,  12,  22,  23,  24]]]

---

总结

dim 值	拼接维度	结果形状	拼接效果
dim=0	最外层	(4, 2, 3)	增加块的数量（纵向堆叠）
dim=1	每块的行数	(2, 4, 3)	增加每块的行数（横向堆叠行）
dim=2	每行的列数	(2, 2, 6)	增加每行的列数（横向堆叠列）

通过改变 dim，torch.cat 可以在不同维度上灵活地拼接张量。

---

示例 4：拼接不同形状的张量（错误示范）

如果张量在非拼接维度上的形状不同，会抛出错误：

x = torch.tensor([[1, 2], [3, 4]])  # 形状 (2, 2)
y = torch.tensor([[5, 6, 7]])       # 形状 (1, 3)result = torch.cat((x, y), dim=0)  # 抛出错误

错误信息：

RuntimeError: Sizes of tensors must match except in dimension 0. Got 2 and 3 in dimension 1

如果希望在行方向 dim=0 拼接，可以通过 补零 或 裁剪 等方式使列数一致。
补零torch.nn.functional.pad:

import torch
import torch.nn.functional as Fx = torch.tensor([[1, 2], [3, 4]])  # 形状 (2, 2)
y = torch.tensor([[5, 6, 7]])       # 形状 (1, 3)# 对 x 补零到列数 3
x_padded = F.pad(x, (0, 1))  # 在列方向右侧补 1 列零
# x_padded 形状: (2, 3)# 在 dim=0 拼接
result = torch.cat((x_padded, y), dim=0)
print(result)

结果：

tensor([[1, 2, 0],[3, 4, 0],[5, 6, 7]])

但是result = torch.cat((x_padded, y), dim=1)则还是错误的！！！

---

总结

• torch.cat() 用于连接张量，指定的 dim 决定了在哪个维度上进行拼接。
• 拼接维度的大小是累加的，其他维度的大小必须一致。
• 如果不满足上述规则，会抛出错误。

通过这种操作，你可以灵活地调整和组织张量的数据结构。