每个循环输出一个tensor将每个tensor stack起来

可以使用 PyTorch 中的 `torch.stack` 函数来实现将多个 Tensor 沿着新维度堆叠在一起的操作。例如，假设我们有 3 个形状相同的 Tensor `x1`、`x2` 和 `x3`，它们的形状为 `(batch_size, input_size)`，我们可以按照以下方式将它们沿着新维度 `dim=0` 堆叠在一起：

import torch

x1 = torch.randn(32, 100)
x2 = torch.randn(32, 100)
x3 = torch.randn(32, 100)

stacked = torch.stack([x1, x2, x3], dim=0)

print(stacked.shape)  # 输出：torch.Size([3, 32, 100])

其中，`torch.stack` 函数的第一个参数是一个列表，包含要堆叠的 Tensor 对象，`dim` 参数指定了在哪个维度上进行堆叠。在上面的例子中，我们将 3 个 Tensor 沿着新维度 `0` 进行了堆叠，因此输出的 Tensor 的形状为 `(3, 32, 100)`。

相关问题

将一个包含tensor的列表转化为高维tensor

### 回答1：
可以使用torch.stack()函数将包含tensor的列表转化为高维tensor。具体使用方法如下：

import torch

# 假设有一个包含3个tensor的列表
tensor_list = [torch.randn((2, 3)), torch.randn((2, 3)), torch.randn((2, 3))]

# 使用torch.stack()函数将列表转化为高维tensor
high_dim_tensor = torch.stack(tensor_list)

# 打印高维tensor的形状
print(high_dim_tensor.shape)

输出结果为：torch.Size([3, 2, 3])，表示高维tensor的形状为(3, 2, 3)。

### 回答2：
将一个包含tensor的列表转化为高维tensor可以使用Python中的NumPy库来实现。首先，我们需要确保列表中的所有tensor具有相同的维度和形状。

1. 导入NumPy库：

import numpy as np

2. 假设我们有一个包含3个2×3的tensor的列表：

tensor_list = [np.array([[1, 2, 3], [4, 5, 6]]),
               np.array([[7, 8, 9], [10, 11, 12]]),
               np.array([[13, 14, 15], [16, 17, 18]])]

3. 使用`np.stack`函数将列表中的tensor按照新的轴叠加起来，形成一个新的高维tensor：

high_dim_tensor = np.stack(tensor_list)

这样，我们就得到了一个形状为(3, 2, 3)的高维tensor。其中，第一个维度表示列表中tensor的数量，第二个和第三个维度则表示每个tensor的形状。

需要注意的是，要确保列表中所有tensor具有相同的维度和形状，否则无法进行叠加操作。如果列表中tensor的维度和形状不同，可以考虑进行维度或形状的调整，或者使用适当的填充值进行对齐。

多个tensor组成的list转换为tensor

可以使用 PyTorch 中的 torch.stack() 函数将多个 Tensor 组成的 List 转化为一个 Tensor。该函数的参数为一个 Tensor 列表和一个维度参数 dim，表示在哪个维度上进行堆叠。例如，以下代码将三个形状为 (2, 3) 的 Tensor 堆叠在一起，形成一个形状为 (3, 2, 3) 的 Tensor：

import torch

a = torch.Tensor([[1,2,3],[4,5,6]])
b = torch.Tensor([[7,8,9],[10,11,12]])
c = torch.Tensor([[13,14,15],[16,17,18]])

tensor_list = [a, b, c]

stacked_tensor = torch.stack(tensor_list, dim=0)

print(stacked_tensor.shape)  # 输出 torch.Size([3, 2, 3])