使用 torch.stack()

t1 = torch.tensor([1,2,3])
t2 = torch.tensor([4,5,6])
t3 = torch.tensor([7,8,9])

torch.stack((t1,t2,t3),dim=1)

在实现 torch.stack() 时，我无法理解如何对不同的暗淡进行堆叠。 这里对列进行了堆叠，但我无法理解它是如何完成的细节。处理 2-d 或 3-D 张量变得更加复杂。

tensor([[1, 4, 7],
        [2, 5, 8],
        [3, 6, 9]])

想象一下有n张量。如果我们停留在 3D 中，这些对应于体积，即长方体。堆叠对应于组合这些n附加维度上的卷：这里添加了第四个维度来承载n3D 卷。此操作与串联形成鲜明对比，在串联中，卷将被组合在现有维度之一。因此，三维张量的串联将产生 3D 张量。

以下是有限尺寸（最多三维输入）的堆叠操作的可能表示：

您选择执行堆叠的位置定义了堆叠将沿哪个新维度进行。在上面的例子中，新创建的维度是最后一个，因此这个想法“增加维度”更有意义。

在下面的可视化中，我们观察了张量如何堆叠在不同的轴上。这反过来又会影响最终的张量形状

• 例如，对于一维情况，它也可能发生在第一个轴上，如下所示：

  附代码：

  >>> x_1d = list(torch.empty(3, 2))     # 3 lines
  
  >>> torch.stack(x_1d, 0).shape         # axis=0 stacking
  torch.Size([3, 2])
  
  >>> torch.stack(x_1d, 1).shape         # axis=1 stacking
  torch.Size([2, 3])
  

• 类似地，对于二维输入：

  附代码：

  >>> x_2d = list(torch.empty(3, 2, 2))   # 3 2x2-squares
  
  >>> torch.stack(x_2d, 0).shape          # axis=0 stacking
  torch.Size([3, 2, 2])
  
  >>> torch.stack(x_2d, 1).shape          # axis=1 stacking
  torch.Size([2, 3, 2])
  
  >>> torch.stack(x_2d, 2).shape          # axis=2 stacking
  torch.Size([2, 2, 3])
  

有了这种心态，你就可以直观地将运算扩展到n维张量。