torch.tensor_split

torch.tensor_split(input, indices_or_sections, dim=0) → Tensors 列表

沿维度 dim 根据 indices_or_sections 指定的索引或部分数量，将张量分割为多个子张量。所有子张量都是 input 的视图。此函数基于 NumPy 的 numpy.array_split()。

参数

• input (Tensor) – 需要进行拆分的张量

• indices_or_sections (Tensor, int 或 list 或 tuple of ints) –

  如果 indices_or_sections 是一个整数 n 或一个值为 n 的零维长张量，那么 input 将在维度 dim 上被分割成 n 个部分。如果 input 在维度 dim 上可以被 n 整除，则每个部分的大小相等，为 input.size(dim) / n。如果不能整除，则前 int(input.size(dim) % n) 个部分的大小为 int(input.size(dim) / n) + 1，其余部分的大小为 int(input.size(dim) / n)。

  如果 indices_or_sections 是一个整数列表或元组，或者是一个一维的长张量，则会根据 dim 维度在这些索引处将 input 切分。例如，indices_or_sections=[2, 3] 和 dim=0 会生成张量 input[:2], input[2:3]，和input[3:]。

  如果 indices_or_sections 是一个张量，它必须是位于 CPU 上的零维或一维长整型张量。

• dim (int, 可选) – 拆分张量的维度。默认值：0

示例：

>>> x = torch.arange(8)
>>> torch.tensor_split(x, 3)
(tensor([0, 1, 2]), tensor([3, 4, 5]), tensor([6, 7]))

>>> x = torch.arange(7)
>>> torch.tensor_split(x, 3)
(tensor([0, 1, 2]), tensor([3, 4]), tensor([5, 6]))
>>> torch.tensor_split(x, (1, 6))
(tensor([0]), tensor([1, 2, 3, 4, 5]), tensor([6]))

>>> x = torch.arange(14).reshape(2, 7)
>>> x
tensor([[ 0,  1,  2,  3,  4,  5,  6],
        [ 7,  8,  9, 10, 11, 12, 13]])
>>> torch.tensor_split(x, 3, dim=1)
(tensor([[0, 1, 2],
        [7, 8, 9]]),
 tensor([[ 3,  4],
        [10, 11]]),
 tensor([[ 5,  6],
        [12, 13]]))
>>> torch.tensor_split(x, (1, 6), dim=1)
(tensor([[0],
        [7]]),
 tensor([[ 1,  2,  3,  4,  5],
        [ 8,  9, 10, 11, 12]]),
 tensor([[ 6],
        [13]]))