Pytorch：torch.stack 和 torch.as_tensor

torch.stack 和 torch.as_tensor 是 PyTorch 中的两个函数，它们用于处理 tensor 的创建和操作，但它们各自的用途和功能是不同的。

torch.stack

torch.stack：这个函数用于将一系列的 tensors 沿着一个新的维度合并。所有 tensors 必须有相同的形状。

以下是 torch.stack 的使用例子：

i

mport torch

# 假设我们有三个相同形状的 tensors
t1 = torch.tensor([1, 2])
t2 = torch.tensor([3, 4])
t3 = torch.tensor([5, 6])

# 我们可以使用 torch.stack 将它们堆叠起来
# 这里 dim 参数表示新增维度的索引
stacked = torch.stack((t1, t2, t3), dim=0)

print(stacked)

输出结果将是一个新的3D tensor：

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

在这个例子中，在堆叠后的tensor中增加了一个新的维度，且这个新的维度是放在原有维度的前面（dim=0）。如果你将 dim 设置为1，那么新的维度将会是在原有维度的后面。

torch.as_tensor

torch.as_tensor：这个函数将一个数据转换为 tensor。如果数据已经是一个 tensor 并且默认的数据类型和设备都与输入数据相同，则不会进行复制。数据可以是一个列表，元组，NumPy ndarray，标量以及其他类型的 tensor。

以下是 torch.as_tensor 的使用例子：

import numpy as np
import torch

# 假设我们有一个 numpy ndarray
array = np.array([7, 8, 9])

# 我们可以使用 torch.as_tensor 将其转为 tensor
tensor = torch.as_tensor(array)

print(tensor)

输出结果：

tensor([7, 8, 9], dtype=torch.int32)

在这个例子中，as_tensor没有复制数据，而是使用了原始的内存空间。因此，如果更改array的值，tensor里的值也会相应更改，反之亦然。如果需要避免此行为，应该使用torch.tensor，它总是进行数据的复制。

简而言之，torch.stack 是用于在新的维度上合并 tensors 的函数， torch.as_tensor 主要是用于将其他数据格式转换为 tensor，可能不会进行数据的复制。