torch.cat()和torch.stack()的区别，例子解释
torch.stack
torch.stack(inputs, dim=0)
inputs：同样也是张量序列，沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状。
torch.cat
torch.cat(inputs, dim=0)
inputs：必须是张量序列， 在给定维度上对输入的张量序列进行连接操作，序列中所有的张量都应该为相同形状。
#注:由字面意思可以看出， cat可以理解为续接，不会增加维度，stack可以理解为叠加，会新加增加一个维度（增加的维度根据输入的dim而定）。
直接上例子， 沿第0维进行操作
x1 = torch.tensor([[1,2,3], [4,5,6]])# x1.shape = tensor.size([2,3])
x2 = torch.tensor([[7,8,9], [10,11,12]])
x = [x1, x2]
print(x1.shape)
# print(len(c), c[1].shape)
print('沿第0维进行操作：')
y1 = torch.stack(x, dim=0)
y2 = torch.cat(x, dim=0)
print('y1:', y1.shape,'\n',y1)
print('y2:', y2.shape,'\n',y2)
输出为
torch.Size([2, 3])
沿第0维进行操作：
y1: torch.Size([2, 2, 3])
tensor([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
y2: torch.Size([4, 3])
tensor([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
从y1的输出可以看到，stack直接将x1和x2的第0维进行叠加，即输出为[x1, x2]，shape由[2,3]变为[2, 2, 3]。从y2的输出可以看到，cat在第0维将x1和x2元素进行续接，即输出为[x1[0], x1[1], x2[0], x2[1]]， shape由[2, 3]变为[4,3]。
沿第1维进行操作
print('沿第1维进行操作：')
y1 = torch.stack(x, dim=1)
y2 = torch.cat(x, dim=1)
print('y1:', y1.shape,'\n',y1)
print('y2:', y2.shape,'\n',y2)
输出为：
沿第1维进行操作：
y1: torch.Size([2, 2, 3])
tensor([[[ 1, 2, 3],
[ 7, 8, 9]],
[[ 4, 5, 6],
[10, 11, 12]]])
y2: torch.Size([2, 6])
tensor([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 10, 11, 12]])
从y1的输出可以看到，stack直接将x1和x2相对应的第1维的元素进行叠加，即输出为[[x1[0], x2[0]], [x1[1], x2[1]]，shape由[2,3]变为[2, 2, 3]。。
从y2的输出可以看到，cat将x1和x2相对应的第1维的元素进行续接， shape由[2,3]变为[2, 6]。。拿x1[0]和x2[0]举例来说，x1[0] = [1, 2, 3], x2[0] = [7, 8, 9]，对它们进行续接即可得到[1, 2, 3, 7, 8, 9]。
对于torch.stack需要特别注意的是，其插入的维度是介于 0 与 待连接的张量序列数之间，stack的输入维度范围要比cat大1。对于以上例子，因为x1.shape=[2,3]，所以不能torch.cat(x, dim=2)。但可以torch.stack(x, dim=2)，其输出的shape为[2, 3, 2]，结果为
>>>torch.stack(x, dim=2)
tensor([[[ 1, 7],
[ 2, 8],
[ 3, 9]],
[[ 4, 10],
[ 5, 11],
[ 6, 12]]])
从以上结果可以看出，torch.stack(x, dim=2)是将x1[i][j]和x2[i][j]堆叠在一起的。如x1[0][0]=1和x2[0][0]=7堆叠在一起，得到[1, 7]