可以直接看最下面的例子，再回頭看前面的解釋
在pytorch中，常見的拼接函數主要是兩個，分別是：
stack()cat()
實際使用中，這兩個函數互相輔助：關於cat()參考torch.cat()，但是本文主要說stack()。
函數的意義：使用stack是爲了保留兩個信息：[1. 序列(先後)] 和 [2. 張量矩陣] 信息，而存在的擴張拼接函數。 常出現在自然語言處理（NLP）和圖像卷積神經網絡(CV)中。
1. stack()
官方解釋：沿着一個新維度對輸入張量序列進行連接。 序列中所有的張量都應該爲相同形狀。
淺顯說法：把多個2維的張量湊成一個3維的張量；多個3維的湊成一個4維的張量…以此類推，也就是在增加新的維度進行堆疊。
outputs = torch.stack(inputs, dim=0) → Tensor
參數
-
inputs : 待連接的張量序列。
注：python的序列數據只有list和tuple。 -
dim : 新的維度， 必須在
0到len(outputs)之間。
注：len(outputs)是生成數據的維度大小，也就是outputs的維度值。
2. 重點
- 函數中的輸入
inputs只允許是序列；且序列內部的張量元素，必須shape相等
----舉例：[tensor_1, tensor_2,..]或者(tensor_1, tensor_2,..)，且必須tensor_1.shape == tensor_2.shape
dim是選擇生成的維度，必須滿足0<=dim<len(outputs)；len(outputs)是輸出後的tensor的維度大小
不懂的看例子，再回過頭看就懂了。
3. 例子
按下面的三步：準備數據，合成inputs，查看結果。
1.準備數據，每個的shape都是[2,3]
# x1
x1 = torch.tensor([[11,21,31],[21,31,41]],dtype=torch.int)
x1.shape # torch.Size([2, 3])
# x2
x2 = torch.tensor([[12,22,32],[22,32,42]],dtype=torch.int)
x2.shape # torch.Size([2, 3])
# x3
x3 = torch.tensor([[13,23,33],[23,33,43]],dtype=torch.int)
x3.shape # torch.Size([2,3])
# x4
x4 = torch.tensor([[14,24,34],[24,34,44]],dtype=torch.int)
x4.shape # torch.Size([2,3])
2.合成inputs
'inputs爲4個形狀爲[2 , 3]的矩陣 '
inputs = [x1, x2, x3, x4]
print(inputs)
# 打印看看結構。是4個張量
[tensor([[11, 21, 31],
[21, 31, 41]], dtype=torch.int32),
tensor([[12, 22, 32],
[22, 32, 42]], dtype=torch.int32),
tensor([[13, 23, 33],
[23, 33, 43]], dtype=torch.int32),
tensor([[14, 24, 34],
[24, 34, 44]], dtype=torch.int32)]
3.查看結果, 測試不同的dim拼接結果
'選擇的 0<=dim<len()前三個 增加了新維度'
In [1]: torch.stack(inputs, dim=0).shape
Out[1]: torch.Size([4, 2, 3])
In [2]: torch.stack(inputs, dim=1).shape
Out[2]: torch.Size([2, 4, 3])
In [3]: torch.stack(inputs, dim=2).shape
Out[3]: torch.Size([2, 3, 4])
'選擇的dim>len(outputs)，所以報錯'
In [4]: torch.stack(inputs, dim=3).shape
IndexError: Dimension out of range (expected to be in range of [-3, 2], but got 3)
大家可以複製代碼運行一下就會發現:這個拼接後的維度大小4根據不同的dim一直變化。
| dim | shape |
|---|---|
| 0 | [4, 2, 3] |
| 1 | [2, 4, 3] |
| 2 | [2, 3, 4] |
| 3 | 溢出報錯 |
4. 總結
-
函數作用：
函數stack()對序列數據內部的張量進行擴維拼接，指定維度由我們選擇、大小是生成後數據的維度區間。 -
存在意義：
在自然語言處理和卷及神經網絡中， 通常爲了保留–[序列(先後)信息] 和 [張量的矩陣信息] 纔會使用stack。
研究自然語言處理的同學一般知道，在循環神經網絡中，網絡的輸出數據通常是：包含了n個數據大小[batch_size, num_outputs]的list，這個和[n, batch_size, num_outputs]是完全不一樣的！！！！不利於計算，需要使用stack進行拼接，保留–[1.時間步]和–[2.張量的矩陣乘積屬性]。