【深度学习】特征融合的重要方法 | 张量的拼接 | torch.cat()函数 | torch.add(函数

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