关于torch.cat()与torch.stack()
关于torch.cat()与torch.stack()整理
代码中一直使用torch.cat()和torch.stack()进行tensor维度拼接，花点时间整理下。方便使用♂️：
1.用法
torch.cat(): 用于连接两个相同大小的张量
torch.stack(): 用于连接两个相同大小的张量，并扩展维度
见代码示例更清晰：
import torch
a = torch.tensor(torch.arange(10)).reshape(3, 3)
b = torch.tensor(torch.arange(10, 100, 10)).reshape(3, 3)
print(a)
Out[7]:
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(b)
Out[10]:
tensor([[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
对上面两个tensor进行操作
torch.cat()
拼接函数，将多个张量拼接成一个张量，保持维度不变。torch.cat()有两个参数，第一个是要拼接的张量的列表或是元组；第二个参数是拼接的维度。
使用不同的参数，输出的结果不同，首先填入一个会返回错误的参数：从返回报错原因可以看到，参数的返回必须是在[-2, 1]之间。
d3 = torch.cat((a, b), dim=2)
# 返回输出如下
Traceback (most recent call last):
File "/home/franklinpan/.local/lib/python3.8/site-packages/IPython/core/interactiveshell.py", line 3251, in run_code
exec(code_obj, self.user_global_ns, self.user_ns)
File "" , line 1, in <module>
d3 = torch.cat((a, b), dim=2)
IndexError: Dimension out of range (expected to be in range of [-2, 1], but got 2)
设置dim=-1，得到如下结果，当参数为-1时，与dim=1的返回结果相同
dim=-1，表示在第二维度进行拼接
d_1= torch.cat((a, b), dim=-1)
print(d_1)
Out[25]:
tensor([[ 1, 2, 3, 10, 20, 30],
[ 4, 5, 6, 40, 50, 60],
[ 7, 8, 9, 70, 80, 90]])
d1 = torch.cat((a, b), dim=1)
print(d1)
Out[22]:
tensor([[ 1, 2, 3, 10, 20, 30],
[ 4, 5, 6, 40, 50, 60],
[ 7, 8, 9, 70, 80, 90]])
设置dim=-2，与dim=0相同：
表示在第一维度进行拼接
d_2= torch.cat((a, b), dim=-2)
print(d_2)
Out[27]:
tensor([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
d1 = torch.cat((a, b), dim=0)
print(d1)
Out[20]:
tensor([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
可以看到，采用不同的参数，输出的张量维度仍然与原来张量的维度保持一致。
若输入参数的维度不一样，会产生什么结果呢？
当输出张量保持一个维度一致时，若在相同维度的方向进行连接torch.cat操作，则仍然可以张量的合并操作，若在维度不同的方向进行连接操作，会报错。（♀️torch.cat操作没有广播机制）
**torch.stack()**操作
拼接函数，是拼接以后，再扩展一维。torch.stack()有两个参数，第一个是要拼接的张量的列表或是元组；第二个参数是拼接的维度。
此处不再重复dim=-3 or -2等操作，当dim=0时
c1 = torch.stack((a, b), dim=0)
Out[12]:
tensor([[[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9]],
[[10, 20, 30],
[40, 50, 60],
[70, 80, 90]]])
当dim=1时
c2 = torch.stack((a, b), dim=1)
Out[15]:
tensor([[[ 1, 2, 3],
[10, 20, 30]],
[[ 4, 5, 6],
[40, 50, 60]],
[[ 7, 8, 9],
[70, 80, 90]]])
当 dim=2时
c3 = torch.stack((a, b), dim=2)
Out[17]:
tensor([[[ 1, 10],
[ 2, 20],
[ 3, 30]],
[[ 4, 40],
[ 5, 50],
[ 6, 60]],
[[ 7, 70],
[ 8, 80],
[ 9, 90]]])
若在torch.stack中使用不同维度的输入，得到报错的反馈
从实例可见，torch.stack操作将会增加合并后张量的维度。
总结：
torch.cat()与torch.stack()操作都是对张量进行拼接操作，不同点如下：
torch.stack()将对张量维度进行扩张
torch.cat()可以对只有一个方向维度相同的张量进行合并，而torch.stack()要求输入张量的维度必须一样。
stack与cat的区别在于，得到的张量的维度会比输入的张量的大小多1，并且多出的那个维度就是拼接的维度，那个维度的大小就是输入张量的个数。见下面代码：
A=torch.tensor([[1,2,3],[4,5,6],[7,8,9]],dtype=torch.float)
print("A:",A)
B=torch.tensor([[-1,-2,-3],[-4,-5,-6],[-7,-8,-9]],dtype=torch.float)
print("B:",B)
print("*********************************")
c=torch.cat((A,B),dim=0)#保持维度不变
print(c)
print(c.shape)
d=torch.stack((A,B),dim=0)#多扩展一维度
print(d)
print(d.shape)
运行结果：
扩展:
torch.cat和torch.stack()的拼接为[]数据时：
见拼接列表数据