The torch. The stack () official explanation, explanation and example

可以直接看最下面的【3.例子】,再回头看前面的解释

在pytorch中,常见的拼接函数主要是两个,分别是：

1. stack()
2. cat()

实际使用中,These two functions complement each other,使用场景不同：关于cat()参考torch.cat(),但是本文主要说stack().

函数的意义：使用stack可以保留两个信息：[1. 序列] 和 [2. 张量矩阵] 信息,属于【扩张再拼接】的函数.

形象的理解：假如数据都是二维矩阵(平面),它可以把这些一个个平面按第三维(例如：时间序列)压成一个三维的立方体,而立方体的长度就是时间序列长度.

This function often appears in natural language processing（NLP）和图像卷积神经网络(CV)中.

1. stack()

官方解释：沿着一个新维度对输入张量序列进行连接. 序列中所有的张量都应该为相同形状.

浅显说法：把多个2维的张量凑成一个3维的张量;多个3维的凑成一个4维的张量…以此类推,也就是在增加新的维度进行堆叠.

outputs = torch.stack(inputs, dim=?) → Tensor

参数

• inputs : 待连接的张量序列.
  注：python的序列数据只有list和tuple.

• dim : 新的维度, 必须在0到len(outputs)之间.
  注：len(outputs)是生成数据的维度大小,也就是outputs的维度值.

2. 重点

1. 函数中的输入inputs只允许是序列;且序列内部的张量元素,必须shape相等

----举例：[tensor_1, tensor_2,..]或者(tensor_1, tensor_2,..),且必须tensor_1.shape == tensor_2.shape

2. dim是选择生成的维度,必须满足0<=dim<len(outputs);len(outputs)是输出后的tensor的维度大小

See the example if you don't understand,Looking back, you will understand.

3. 例子

1.准备2个tensor数据,每个的shape都是[3,3]

# 假设是时间步T1的输出
T1 = torch.tensor([[1, 2, 3],
        		[4, 5, 6],
        		[7, 8, 9]])
# 假设是时间步T2的输出
T2 = torch.tensor([[10, 20, 30],
        		[40, 50, 60],
        		[70, 80, 90]])

2.测试stack函数

print(torch.stack((T1,T2),dim=0).shape)
print(torch.stack((T1,T2),dim=1).shape)
print(torch.stack((T1,T2),dim=2).shape)
print(torch.stack((T1,T2),dim=3).shape)
# outputs:
torch.Size([2, 3, 3])
torch.Size([3, 2, 3])
torch.Size([3, 3, 2])
'选择的dim>len(outputs),所以报错'
IndexError: Dimension out of range (expected to be in range of [-3, 2], but got 3)

You can copy the code and try it out：拼接后的tensor形状,会根据不同的dim发生变化.

4. 总结

1. 函数作用：
   函数stack()对序列数据Internal tensors are performed扩维拼接,The specified dimension is chosen by the programmer、Size is the dimension interval of the generated data.

2. 存在意义：
   In Natural Language Processing and Convolutional and Neural Networks, Usually for reservations–[序列(先后)信息] 和 [Matrix information for the tensor] 才会使用stack.

函数存在意义？》》》

手写过RNN的同学,Know that the output data in a recurrent neural network is：一个list,The list is insertedseq_len个形状是[batch_size, output_size]的tensor,不利于计算,需要使用stack进行拼接,保留–[1.seq_lenthis time step]和–[2.张量属性[batch_size, output_size]].