torch.stack([t1,t1,t1],dim=1) 和 torch.hstack([t1,t1,t1]) 有什么区别？

Question

从技术上讲，torch.stack([t1,t1,t1],dim=1) 和 torch.hstack([t1,t1,t1]) 方法执行相同的操作，即它们都水平堆叠向量。 但是当我在同一个向量上执行这两个操作但它们产生 2 个不同的输出时，有人可以解释为什么吗？

获取张量 t1 :

# Code : 
t1 = torch.arange(1.,10.)
t1,t1.shape

# Output : 
(tensor([1., 2., 3., 4., 5., 6., 7., 8., 9.]), torch.Size([9]))

使用 torch.stack([t1,t1,t1],dim=1)

# Code :
t1_stack = torch.stack([t1,t1,t1],dim=1)
#  dim value lies between [-2,1]
# -2 and 0 stack vertically
# -1 and 1 stack Horizontally
t1_stack,t1_stack.shape

# Output :
(tensor([[5., 5., 5.],
         [2., 2., 2.],
         [3., 3., 3.],
         [4., 4., 4.],
         [5., 5., 5.],
         [6., 6., 6.],
         [7., 7., 7.],
         [8., 8., 8.],
         [9., 9., 9.]]),
 torch.Size([9, 3]))

使用 torch.hstack([t1,t1,t1])

# Code : 
h_stack = torch.hstack([t1,t1,t1])
h_stack,h_stack.shape

# Output : 
(tensor([5., 2., 3., 4., 5., 6., 7., 8., 9., 5., 2., 3., 4., 5., 6., 7., 8., 9.,
         5., 2., 3., 4., 5., 6., 7., 8., 9.]),
 torch.Size([27]))

它为同一向量提供 2 个不同的输出，同时使用不同的方法进行水平堆叠

Answer 1

查看 pytorch 文档：

• hstack：“这相当于一维张量沿第一个轴的串联”。
• stack：“沿着新维度连接一系列张量。”

很明显，这与您的情况（一维张量）中的操作不完全相同。

Answer 2

你可以看一下

关于hstack使用的官方文档，它说“水平排列张量（按列）。这相当于一维张量沿第一个轴串联，沿第二个轴串联对于所有其他张量。” 在您的示例中，使用 hstack 后，新张量的形状与原始张量具有相同的维度。而使用堆栈后，您的新张量将多一维形状。

看例子会更清楚。

a = torch.tensor([[1],[2],[3]])
b = torch.tensor([[4],[5],[6]])
hstack_ab = torch.hstack((a,b))
stack_ab = torch.stack((a,b), dim=1)
print(hstack_ab)
print(stack_ab)
print(a.shape, b.shape)
print(hstack_ab.shape, stack_ab.shape)

然后你会得到如下结果：

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

        [[2],
         [5]],

        [[3],
         [6]]])
torch.Size([3, 1]) torch.Size([3, 1])
torch.Size([3, 2]) torch.Size([3, 2, 1])