pytorch合并与拆分
2019-05-13 02:40
435 查看
import torch
import numpy as np
#自动扩张,或者叫做广播,不需要拷贝数据.
#如果前面没有维度,则在前面插入一个新的维度;
#对齐时默认从后面开始对齐.
#broading cast 可以简化运算并且减少内存拷贝.
a = torch.randn(4,3)
b = torch.rand(4,3)
c = a + b
c = torch.randn(1,3)
d = a+ c
#拼接1:
a = torch.randn(5,32,48)
b = torch.randn(4,32,48)
c = torch.cat([a,b],dim=0)#在第0维度合并
print(c.shape)#torch.Size([9, 32, 48])
print(torch.cat([a,b]).shape)#默认拼接按照0维
#拼接2 stack会创建新的维度,注意其形状必须匹配
a = torch.randn(32,8)
b = torch.randn(32,8)
d = torch.stack([a,b],dim=2)#torch.Size([32, 8, 2])
print(d.shape)
#拆分split 长度拆分,如[1,2,3,4,5,6]指定拆分长度2,则拆分为三个单元
a = torch.randn(2,32,8)
b = a.split(1,dim=0)#第0个维度拆分
print(type(b))
#按数量区分
print(a.chunk(2,dim=0))
(adsbygoogle = window.adsbygoogle || []).push({});相关文章推荐
- 应用拆分思考
- 采用shardbatis在springBoot中实现表的水平拆分,整合swagger,mybatis,shardbatis,pagehelper
- 拆分Cocos2dx渲染部分代码
- 拆分多个字符串放入对应的容器程序代码
- qt利用QSplitter任意拆分窗口
- 数据库的拆分
- EXCEL用VBA代码拆分sheet为新EXCEL文件
- 数据库分库分表(sharding)拆分实施策略和示例
- 大型网站架构演化(九)——业务拆分
- UVa 10976 - Fractions Again?! (分数拆分)
- 任何一个大于1的自然数n,总可以拆分成若干个小于n的自然数之和。
- 机器学习笔记3-拆分数据集和训练集
- python 奇偶拆分list,python拆分list,得到一个原来list的奇数list,一个原来list的偶数list
- 数据库垂直拆分
- c++ 正整数拆分成素因子的乘积
- Uva10976—分数拆分
- 实验5-运用数组拆分奇偶数
- sql实现split方法,带拆分结果排序
- 将一个4个字节的数拆分为4单个字节的数
- 拆分json数据,重组打包成新的json数组