文章目录
- 前言
- 一、torch.cat()函数 拼接只存在h,w(高,宽)的图像
- 二、torch.cat() 拼接存在c,h,w(通道,高,宽)的图像
- 三、torch.add()使张量对应元素直接相加
前言
本篇作为后期文章“特征融合”的基础。
特征融合分早融合和晚融合,早融合里的重要手段是concat和add
一、torch.cat()函数 拼接只存在h,w(高,宽)的图像
torch.cat()可以将多个张量合并为一个张量,我们接下来从简单到复杂一点点来盘这个函数
我们首先随机生成两个形状一致的张量:
import torchA =torch.rand(3,2)#单通道,高为3.宽为2的张量B=torch.rand(3,3) #单通道,高为2.宽为3的张量print(A)print(B)
让这个张量在第0维度进行拼接,也就是在高这个维度进行拼接:
C=torch.cat((A,B),dim=0)print(C)print(C.shape)
可以看到高变成了3+3,宽不变
让这个张量在第1维度进行拼接,也就是在宽这个维度进行拼接:
C=torch.cat((A,B),dim=1)print(C)print(C.shape)
可以看到,高不变,宽变成了2+2
在第0维度拼接时,高可以不一样,但是宽需要一致,不然会报错:
import torchA =torch.rand(3,3)#单通道,高为3.宽为2的张量B=torch.rand(4,3) #单通道,高为2.宽为3的张量print(A)print(B)C=torch.cat((A,B),dim=0)print(C)print(C.shape)
不报错:
import torchA =torch.rand(3,3)#单通道,高为3.宽为2的张量B=torch.rand(3,5) #单通道,高为2.宽为3的张量print(A)print(B)C=torch.cat((A,B),dim=0)print(C)print(C.shape)
直接报错:
在第1维度拼接时,高必须一致,宽可以不一样,不然会报错:
import torchA =torch.rand(3,3)#单通道,高为3.宽为2的张量B=torch.rand(3,5) #单通道,高为2.宽为3的张量print(A)print(B)C=torch.cat((A,B),dim=1)print(C)print(C.shape)
不报错:
import torchA =torch.rand(3,3)#单通道,高为3.宽为2的张量B=torch.rand(4,3) #单通道,高为2.宽为3的张量print(A)print(B)C=torch.cat((A,B),dim=1)print(C)print(C.shape)
二、torch.cat() 拼接存在c,h,w(通道,高,宽)的图像
我们随机生成两个3通道的2X2图像
import torchA =torch.rand(3,2,2)#单通道,高为3.宽为2的张量B=torch.rand(3,2,2) #单通道,高为2.宽为3的张量print(A)print(B)
让他们在第0维度进行拼接(通道维度拼接):
相当于通道数堆叠了,变成了六个通道
让他们在第1维度进行拼接(高维度拼接):
让他们在第2维度进行拼接(宽维度拼接):
这两个堆叠结果就和之前的方法一样了
三、torch.add()使张量对应元素直接相加
import torchA =torch.rand(3,2,2)#单通道,高为3.宽为2的张量B=torch.rand(3,2,2) #单通道,高为2.宽为3的张量print(A)print(B)C=torch.add(A,B)print(C)print(C.shape)
张量A:
张量B:
相加后张量:
当然也可以不用add(A,B) 用A+B