【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

---

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 torch
A =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)
1
2
3
4
5

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)
1
2
3

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)
1
2
3

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 torch
A =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)
1
2
3
4
5
6
7
8

不报错：

import torch
A =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)
1
2
3
4
5
6
7
8

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 torch
A =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)
1
2
3
4
5
6
7
8

不报错：

import torch
A =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)
1
2
3
4
5
6
7
8

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 torch
A =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)
1
2
3
4
5

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 torch
A =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)
1
2
3
4
5
6
7
8

张量A：

张量B：

相加后张量：

当然也可以不用add(A,B) 用A+B