建设银行如何进行网站冻结做视频网站视频文件都存放在哪里

函数功能

沿一个新维度对输入一系列张量进行连接，序列中所有张量应为相同形状，stack 函数返回的结果会新增一个维度。也即是把多个2维的张量凑成一个3维的张量；多个3维的凑成一个4维的张量…以此类推，也就是在增加新的维度上面进行堆叠。

参数列表

tensors ：为一系列输入张量，类型为turple和List
dim ：新增维度的（下标）位置，当dim = -1时默认最后一个维度；范围必须介于 0 到输入张量的维数之间，默认是dim=0,在第0维进行连接
返回值：输出新增维度后的张量

情况一：输入数据为1维数据

dim = 0 : 在第0维进行连接，相当于在行上进行组合(输入张量为一维，输出张量为两维)

import torcha = torch.tensor([1, 2, 3])b = torch.tensor([11, 22, 33])#在第0维进行连接，相当于在行上进行组合，取a的一行，b的一行，构成一个新的tensor(输入张量为一维，输出张量为两维)c = torch.stack([a, b],dim=0)          print(a)print(b)print(c.size())print(c)输出：
tensor([1, 2, 3])
tensor([11, 22, 33])
torch.Size([2, 3])
tensor([[ 1,  2,  3],[11, 22, 33]])

dim = 1 ：在第1维进行连接，相当于在对应行上面对列元素进行组合(输入张量为一维，输出张量为两维)

import torcha = torch.tensor([1, 2, 3])b = torch.tensor([11, 22, 33])print(a)print(b)#在第1维进行连接，相当于在对应行上面对列元素进行组合，取a的一列，b的一列，构成新的tensor的一行(输入张量为一维，输出张量为两维)c = torch.stack([a, b],dim=1)print(c.size())print(c)输出：
tensor([1, 2, 3])
tensor([11, 22, 33])
torch.Size([3, 2])
tensor([[ 1, 11],[ 2, 22],[ 3, 33]])

情况二：输入数据为2维数据

dim=0：表示在第0维进行连接，相当于在通道维度上进行组合(输入张量为两维，输出张量为三维)，注意：此处输入张量维度为二维，因此dim最大只能为2。

import torcha = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])b = torch.tensor([[11, 22, 33], [44, 55, 66], [77, 88, 99]])print(a)print(b)
#在第0维进行连接，相当于在通道维度上进行组合
#即取a的所有数据，作为新tensor的一个分量
#取b的所有数据，作为新tensor的另一个分量
#(输入张量为两维，输出张量为三维)c = torch.stack([a, b],dim=0)print(c.size())print(c)输出：
tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
tensor([[11, 22, 33],[44, 55, 66],[77, 88, 99]])
torch.Size([2, 3, 3])
tensor([[[ 1,  2,  3],[ 4,  5,  6],[ 7,  8,  9]],[[11, 22, 33],[44, 55, 66],[77, 88, 99]]])

dim=1：表示在第1维进行连接，相当于对相应通道中每个行进行组合，注意：此处输入张量维度为二维，因此dim最大只能为2。

import torcha = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])b = torch.tensor([[11, 22, 33], [44, 55, 66], [77, 88, 99]])print(a)print(b)#在第1维(行)进行连接，相当于对相应通道中每个行进行组合
#取a的一行，b的一行，作为新tensor的第1行和第2行
#原来a：3*3，b:3*3,新tensor：3*2*3c = torch.stack([a, b], 1)print(c.size())print(c)输出：
tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
tensor([[11, 22, 33],[44, 55, 66],[77, 88, 99]])
torch.Size([3, 2, 3])
tensor([[[ 1,  2,  3],[11, 22, 33]],[[ 4,  5,  6],[44, 55, 66]],[[ 7,  8,  9],[77, 88, 99]]])

dim=2：表示在第2维进行连接，相当于对相应行中每个列元素进行组合，注意：此处输入张量维度为二维，因此dim最大只能为2。

import torcha = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])b = torch.tensor([[11, 22, 33], [44, 55, 66], [77, 88, 99]])print(a)print(b)#在第2维进行连接，相当于对相应行中每个列元素进行组合
#针对每行，取a、b的第一列数据，构成tensor的第一行
#针对每行，取a、b的第二列数据，构成tensor的第二行
#，针对每行取a、b的第三列数据，构成tensor的第三行
#原来a：3*3，b:3*3,新tensor：3*3*2
c = torch.stack([a, b], 2)print(c.size())print(c)输出：
tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
tensor([[11, 22, 33],[44, 55, 66],[77, 88, 99]])
torch.Size([3, 3, 2])
tensor([[[ 1, 11],[ 2, 22],[ 3, 33]],[[ 4, 44],[ 5, 55],[ 6, 66]],[[ 7, 77],[ 8, 88],[ 9, 99]]])

情况三：输入数据为3维数据

dim=0：表示在第0维进行连接，相当于在通道维进行拼接。注意：此处输入张量维度为三维，因此dim最大只能为3。

import torcha = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],[[10, 20, 30], [40, 50, 60], [70, 80, 90]]])b = torch.tensor([[[11, 22, 33], [44, 55, 66], [77, 88, 99]], [[110, 220, 330], [440, 550, 660], [770, 880, 990]]])print(a)print(b)#表示在第0维进行连接，取整个a作为新tensor的一个分量，取整个b作为新tensor的一个分量
c = torch.stack([a, b], 0)print(c)输出：
tensor([[[ 1,  2,  3],[ 4,  5,  6],[ 7,  8,  9]],[[10, 20, 30],[40, 50, 60],[70, 80, 90]]])
torch.Size([2, 3, 3])
tensor([[[ 11,  22,  33],[ 44,  55,  66],[ 77,  88,  99]],[[110, 220, 330],[440, 550, 660],[770, 880, 990]]])
torch.Size([2, 3, 3])
torch.Size([2, 2, 3, 3])
tensor([[[[  1,   2,   3],[  4,   5,   6],[  7,   8,   9]],[[ 10,  20,  30],[ 40,  50,  60],[ 70,  80,  90]]],[[[ 11,  22,  33],[ 44,  55,  66],[ 77,  88,  99]],[[110, 220, 330],[440, 550, 660],[770, 880, 990]]]])

dim=1：表示在第1维进行连接，取各自的第1维度数据，进行拼接。注意：此处输入张量维度为三维，因此dim最大只能为3。 

import torcha = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],[[10, 20, 30], [40, 50, 60], [70, 80, 90]]])b = torch.tensor([[[11, 22, 33], [44, 55, 66], [77, 88, 99]], [[110, 220, 330], [440, 550, 660], [770, 880, 990]]])print(a)
print(a.size())print(b)
print(b.size())#表示在第1维进行连接，取a的第一维数据[[1, 2, 3], [4, 5, 6], [7, 8, 9]]
#取b的第一维数据[[11, 22, 33], [44, 55, 66], [77, 88, 99]]作为新tensor的一个分量#取a的第一维数据[[10, 20, 30], [40, 50, 60], [70, 80, 90]]
#取b的第一维数据[[110, 220, 330], [440, 550, 660], [770, 880, 990]]作为新tensor的另一个分量
c = torch.stack([a, b], 1)print(c.size())print(c)输出：
tensor([[[ 1,  2,  3],[ 4,  5,  6],[ 7,  8,  9]],[[10, 20, 30],[40, 50, 60],[70, 80, 90]]])
torch.Size([2, 3, 3])
tensor([[[ 11,  22,  33],[ 44,  55,  66],[ 77,  88,  99]],[[110, 220, 330],[440, 550, 660],[770, 880, 990]]])
torch.Size([2, 3, 3])
torch.Size([2, 2, 3, 3])
tensor([[[[  1,   2,   3],[  4,   5,   6],[  7,   8,   9]],[[ 11,  22,  33],[ 44,  55,  66],[ 77,  88,  99]]],[[[ 10,  20,  30],[ 40,  50,  60],[ 70,  80,  90]],[[110, 220, 330],[440, 550, 660],[770, 880, 990]]]])

dim=2：表示在第2维进行连接，取各自的第2维度数据，进行拼接。注意：此处输入张量维度为三维，因此dim最大只能为3。

import torcha = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],[[10, 20, 30], [40, 50, 60], [70, 80, 90]]])b = torch.tensor([[[11, 22, 33], [44, 55, 66], [77, 88, 99]], [[110, 220, 330], [440, 550, 660], [770, 880, 990]]])print(a)
print(a.size())print(b)
print(b.size())#表示在第1维进行连接，取a的第2维数据[1, 2, 3]
#取b的第2维数据[11, 22, 33]作为新tensor的一个分量#取a的第2维数据[4, 5, 6]
#取b的第2维数据[44, 55, 66]作为新tensor的一个分量#取a的第2维数据[4, 5, 6]
#取b的第2维数据[44, 55, 66]作为新tensor的一个分量#取a的第2维数据[7, 8, 9]
#取b的第2维数据[77, 88, 99]作为新tensor的一个分量#取a的第2维数据[10, 20, 30]
#取b的第2维数据[110, 220, 330]作为新tensor的一个分量#取a的第2维数据[40, 50, 60]
#取b的第2维数据[440, 550, 660]作为新tensor的一个分量#取a的第2维数据[70, 80, 90]
#取b的第2维数据[770, 880, 990]作为新tensor的一个分量
c = torch.stack([a, b], 2)
print(c.size())print(c)输出：
tensor([[[ 1,  2,  3],[ 4,  5,  6],[ 7,  8,  9]],[[10, 20, 30],[40, 50, 60],[70, 80, 90]]])
torch.Size([2, 3, 3])
tensor([[[ 11,  22,  33],[ 44,  55,  66],[ 77,  88,  99]],[[110, 220, 330],[440, 550, 660],[770, 880, 990]]])
torch.Size([2, 3, 3])
torch.Size([2, 3, 2, 3])
tensor([[[[  1,   2,   3],[ 11,  22,  33]],[[  4,   5,   6],[ 44,  55,  66]],[[  7,   8,   9],[ 77,  88,  99]]],[[[ 10,  20,  30],[110, 220, 330]],[[ 40,  50,  60],[440, 550, 660]],[[ 70,  80,  90],[770, 880, 990]]]])

dim=3：表示在第3维进行连接，取各自的第3维度数据，进行拼接。注意：此处输入张量维度为三维，因此dim最大只能为3。

import torcha = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],[[10, 20, 30], [40, 50, 60], [70, 80, 90]]])b = torch.tensor([[[11, 22, 33], [44, 55, 66], [77, 88, 99]], [[110, 220, 330], [440, 550, 660], [770, 880, 990]]])print(a)
print(a.size())print(b)
print(b.size())#针对第二维数据，在每个第二维度相同的情况下，取各自的列数据，构成新tensor的一行
c = torch.stack([a, b], 3)
print(c.size())print(c)输出：
tensor([[[ 1,  2,  3],[ 4,  5,  6],[ 7,  8,  9]],[[10, 20, 30],[40, 50, 60],[70, 80, 90]]])
torch.Size([2, 3, 3])
tensor([[[ 11,  22,  33],[ 44,  55,  66],[ 77,  88,  99]],[[110, 220, 330],[440, 550, 660],[770, 880, 990]]])
torch.Size([2, 3, 3])
torch.Size([2, 3, 3, 2])
tensor([[[[  1,  11],[  2,  22],[  3,  33]],[[  4,  44],[  5,  55],[  6,  66]],[[  7,  77],[  8,  88],[  9,  99]]],[[[ 10, 110],[ 20, 220],[ 30, 330]],[[ 40, 440],[ 50, 550],[ 60, 660]],[[ 70, 770],[ 80, 880],[ 90, 990]]]])

总结：m个序列数据，在某个维度k进行拼接，该维度大小为n，则拼接后形成了*n*m*大小，具体拼接过程是取m个序列数据，k-1维(设k-1维大小为x，从x=1开始取)相同情况下的第1个数据，构成新tensor的一个行；第二个数据...，第三个数据...构成tensor的新行；然后从x=2开始执行同样的操作