在使用PyTorch时，对张量的分割与合并是不可避免的操作，本节就带大家深刻理解张量的分割与合并。
在开始之前，我们先对张量的维度进行深入理解：
t2 = torch.zeros((3, 4))
# tensor([[0., 0., 0., 0.],
# [0., 0., 0., 0.],
# [0., 0., 0., 0.]])
t2.shape
# torch.Size([3, 4])
重点理解
我们可以把shape的返回结果看成一个序列，代表着各张量维度的信息，第一个数字3代表行，即向量数，第二个数字4代表列，即每个向量中的标量数。
深入理解：t2是由3个一维张量组成，并且每个一维张量都包含四个元素。
张量的分割
chunk(tensor, chunks, dim)
chunk函数能够按照某个维度(dim)对张量进行均匀切分(chunks)，并且返回结果是原张量的视图。
# 创建一个4×3的矩阵
t2 = torch.arange(12).reshape(4, 3)
t2
# tensor([[ 0, 1, 2],
# [ 3, 4, 5],
# [ 6, 7, 8],
# [ 9, 10, 11]])
张量可均分时
在第0个维度（shape的第一个数字，代表向量维度）上将t2进行4等分：
# 在矩阵中，第一个维度是行，理解为shape的第一个数
tc = torch.chunk(t2, chunks = 4, dim = 0)
tc
# (tensor([[0, 1, 2]]),
# tensor([[3, 4, 5]]),
# tensor([[6, 7, 8]]),
# tensor([[ 9, 10, 11]]))
根据结果可见：
- 返回结果是一个元组，不可变
tc[0] = torch.tensor([[1, 1, 1]])
# TypeError: 'tuple' object does not support item assignment
- 元组中的每个值依然是一个二维张量
tc[0]
# tensor([[0, 1, 2]])
- 返回的张量
tc的一个视图，不是新成了一个对象
# 我们将原张量t2中的数值进行更改
t2[0] = torch.tensor([6, 6, 6])
# 再打印分块后tc的结果
tc
# (tensor([[6, 6, 6]]),
# tensor([[3, 4, 5]]),
# tensor([[6, 7, 8]]),
# tensor([[ 9, 10, 11]]))
还不了解视图的同学，点击进行学习
张量不可均分时
若原张量不能均分时，chunk不会报错，会返回次一级均分结果。
# 创建一个4×3的矩阵
t2 = torch.arange(12).reshape(4, 3)
t2
# tensor([[ 0, 1, 2],
# [ 3, 4, 5],
# [ 6, 7, 8],
# [ 9, 10, 11]])
将4行分为3等份，不可分，就会返回2等分的结果：
tc = torch.chunk(t2, chunks = 3, dim = 0)
tc
# (tensor([[0, 2, 2],
# [3, 4, 5]]),
# tensor([[ 6, 7, 8],
# [ 9, 10, 11]]))
将4行分为5等份，不可分，就会返回4等分的结果：
tc = torch.chunk(t2, chunks = 5, dim = 0)
# (tensor([[0, 2, 2]]),
# tensor([[3, 4, 5]]),
# tensor([[6, 7, 8]]),
# tensor([[ 9, 10, 11]]))
split函数
split既能进行均分，也能进行自定义切分。需要注意的是split的返回结果也是视图。
# 第二个参数只输入一个数值时表示均分
# 第三个参数表示切分的维度
torch.split(t2, 2, dim = 0)
# (tensor([[0, 1, 2],
# [3, 4, 5]]),
# tensor([[ 6, 7, 8],
# [ 9, 10, 11]]))
与chunk函数不同的是，split第二个参数可以输入一个序列，表示按照序列数值等分：
torch.split(t2, [1,3], dim = 0)
# (tensor([[0, 1, 2]]),
# tensor([[ 3, 4, 5],
# [ 6, 7, 8],
# [ 9, 10, 11]]))
当第二个参数输入一个序列时，序列的各数值的和必须等于对应维度下形状分量的取值，即shape对应的维度。
例如上述代码中，是按照第一个维度进行切分，而t2总共有4行，因此序列的求和必须等于4，也就是1+3=4，而序列中每个分量的取值，则代表切块大小。
torch.split(t2, [1, 1, 2], 0)
# (tensor([[0, 1, 2]]),
# tensor([[3, 4, 5]]),
# tensor([[ 6, 7, 8],
# [ 9, 10, 11]]))
将张量第一个维度（行维度）分为1:1:2。
张量的合并
张量的合并操作类似与列表的追加元素，可以进行拼接、也可以堆叠。
这里一定要将dim参数与shape返回的结果相对应理解。
cat拼接函数
a = torch.zeros(2, 3)
a
# tensor([[0., 0., 0.],
# [0., 0., 0.]])
b = torch.ones(2, 3)
b
# tensor([[1., 1., 1.],
# [1., 1., 1.]])
因为在张量a与b中，shape的第一个位置是代表向量维度，所以当dim取0时，就是将向量进行合并，向量中的标量数不变：
torch.cat([a, b], dim = 0)
# tensor([[0., 0., 0.],
# [0., 0., 0.],
# [1., 1., 1.],
# [1., 1., 1.]])
当dim取1时，shape的第二个位置是代表列，即标量数，就是在列上（标量维度）进行拼接，行数（向量数）不变：
torch.cat([a, b], dim = 1)
# tensor([[0., 0., 0., 1., 1., 1.],
## [0., 0., 0., 1., 1., 1.]])
将dim与shape结合理解，是不是清晰明了了？
对维度不理解的同学，点击进行学习
stack堆叠函数
和拼接不同，堆叠不是将元素拆分重装，而是将各参与堆叠的对象分装到一个更高维度的张量里。
a = torch.zeros(2, 3)
a
# tensor([[0., 0., 0.],
# [0., 0., 0.]])
b = torch.ones(2, 3)
b
# tensor([[1., 1., 1.],
# [1., 1., 1.]])
堆叠之后，生成一个三维张量：
torch.stack([a, b], dim = 0)
# tensor([[[0., 0., 0.],
# [0., 0., 0.]],
# [[1., 1., 1.],
# [1., 1., 1.]]])
torch.stack([a, b], dim = 0).shape
# torch.Size([2, 2, 3])
此例中，就是将两个维度为1×2×3的张量堆叠为一个2×2×3的张量。
与cat的区别
拼接之后维度不变，堆叠之后维度升高。拼接是把一个个元素单独提取出来之后再放到二维张量里，而堆叠则是直接将两个二维向量封装到一个三维张量中。因此，堆叠的要求更高，参与堆叠的张量必须形状完全相同。
与python对比
a = [1, 2]
b = [3, 4]
cat拼接操作与list的extend相似，不会改变维度，只会在已有框架内增加元素：
a.extend(b)
a
# [1, 2, 3, 4]
stack堆叠操作与list的append相似，会改变维度：
a = [1, 2]
b = [3, 4]
a.append(b)
a
# [1, 2, [3, 4]]
Pytorch张量操作大全：
Pytorch使用教学1-Tensor的创建
Pytorch使用教学2-Tensor的维度
Pytorch使用教学3-特殊张量的创建与类型转化
Pytorch使用教学4-张量的索引
Pytorch使用教学5-视图view与reshape的区别
Pytorch使用教学6-张量的分割与合并
Pytorch使用教学7-张量的广播
Pytorch使用教学8-张量的科学运算
Pytorch使用教学9-张量的线性代数运算
Pytorch使用教学10-张量操作方法大总结
有关Pytorch建模相关的AI干货请扫码关注公众号「AI有温度」阅读获取
