cat拼接

使用条件：合并的dim的size可以不同，但是其它的dim的size必须相同。

语法：cat([tensor1,tensor2],dim = n)        # 将tensor1和tensor2的第n个维度合并

代码演示：

# 拼接与拆分
a = torch.rand(4,32,8)
b = torch.rand(5,32,8)
print(torch.cat([a,b],dim=0).shape)     # torch.Size([9, 32, 8])

stack拼接

为什么要使用stack？下面会举个例子阐述一下原因：

A [32, 8]                # 一个班，一共有32个同学，每个同学有8门成绩

B [32, 8]                # 一个班，一共有32个同学，每个同学有8门成绩

cat：[64, 8]           # 一个班，一共有64个同学，每个同学有8门成绩，不符合实际

stack： [2, 32, 8]  # 2个班，每个班有32个同学，每个同学有8门成绩，符合实际

使用条件：A.shape = B.shape

代码演示：

a = torch.rand(32,8)
b = torch.rand(32,8)
print(torch.cat([a,b],dim=0).shape)     # torch.Size([64, 8])
print(torch.stack([a,b],dim=0).shape)   # torch.Size([2, 32, 8])

split——根据长度拆分

语法：split(len, dim = n)        # 在第n个维度拆分，每个size=len

代码演示：

# c.shape = torch.Size([2, 32, 8])
aa, bb = c.split(1,dim=0)
print(aa.shape,bb.shape)                # torch.Size([1, 32, 8]) torch.Size([1, 32, 8])

注意：不要超过第0维的总体长度2，等于也不行，别忘了split进行的是拆分。

chunk——根据数量拆分

语法：chunk(num, dim = n)        # 在第n维进行拆分，拆分为num份

代码演示：

# c.shape = torch.Size([2, 32, 8])
aa, bb = c.chunk(2,dim = 0)
print(aa.shape,bb.shape)                # torch.Size([1, 32, 8]) torch.Size([1, 32, 8])