网上很多的示例，都在讨论二维数据（矩阵），单是对于做图像与深度学习的人来说均是三维起步，一般都是4维，下边以4维数据举例

对于pytorch中的堆叠与拼接函数stack与cat，二者还是有一定的不同

torch.cat这是一个拼接函数（姑且这么说）

直接上例子

a0=torch.Tensor([[[[1,1,1,1],[2,2,2,2]]]])
a1=torch.Tensor([[[[3,3,3,3],[4,4,4,4]]]])
torch.Size([1, 1, 2, 4])torch.cat((a0,a1),dim=0).type(torch.FloatTensor)tensor([[[[1., 1., 1., 1.],[2., 2., 2., 2.]]],[[[3., 3., 3., 3.],[4., 4., 4., 4.]]]])
torch.Size([2, 1, 2, 4])

上边dim=0,为以第一维为基准拼接，对于一个张量的维度，有几个放括号就是几维，上边例子a0与a1均为4维张量，因此以第0维拼接就是将第一个中括号内的内容进行拼接。最终的尺度大小为（2,1,2,4）

a0=torch.Tensor([[[[1,1,1,1],[2,2,2,2]]]])
a1=torch.Tensor([[[[3,3,3,3],[4,4,4,4]]]])
torch.cat((a0,a1),dim=1).type(torch.FloatTensor)tensor([[[[1., 1., 1., 1.],[2., 2., 2., 2.]],[[3., 3., 3., 3.],[4., 4., 4., 4.]]]])
torch.Size([1, 2, 2, 4])

以第1维进行拼接，将第二个括号内的内容进行拼接

a0=torch.Tensor([[[[1,1,1,1],[2,2,2,2]]]])
a1=torch.Tensor([[[[3,3,3,3],[4,4,4,4]]]])
torch.cat((a0,a1),dim=2).type(torch.FloatTensor)
tensor([[[[1., 1., 1., 1.],[2., 2., 2., 2.],[3., 3., 3., 3.],[4., 4., 4., 4.]]]])
torch.Size([1, 1, 4, 4])

a0=torch.Tensor([[[[1,1,1,1],[2,2,2,2]]]])
a1=torch.Tensor([[[[3,3,3,3],[4,4,4,4]]]])
torch.cat((a0,a1),dim=3).type(torch.FloatTensor)
tensor([[[[1., 1., 1., 1., 3., 3., 3., 3.],[2., 2., 2., 2., 4., 4., 4., 4.]]]])
torch.Size([1, 1, 2, 8])

以上为torch.cat的使用方法，两个tensor的维度必须一致，最终生成的张量的维度也没有变化，但是torch.cat就不一样了

torch.stack

依然使用上边的例子，看看这个函数的功能

a0=torch.Tensor([[[[1,1,1,1],[2,2,2,2]]]])
a1=torch.Tensor([[[[3,3,3,3],[4,4,4,4]]]])
torch.stack((a0,a1),dim=0).type(torch.FloatTensor)tensor([[[[[1., 1., 1., 1.],[2., 2., 2., 2.]]]],[[[[3., 3., 3., 3.],[4., 4., 4., 4.]]]]])
torch.Size([2, 1, 1, 2, 4])

a0=torch.Tensor([[[[1,1,1,1],[2,2,2,2]]]])
a1=torch.Tensor([[[[3,3,3,3],[4,4,4,4]]]])
torch.stack((a0,a1),dim=1).type(torch.FloatTensor)
tensor([[[[[1., 1., 1., 1.],[2., 2., 2., 2.]]],[[[3., 3., 3., 3.],[4., 4., 4., 4.]]]]])
torch.Size([1, 2, 1, 2, 4])

从上边两个例子，可以看出，对于torch.stack来说，会先将原始数据维度扩展一维，然后再按照维度进行拼接，具体拼接操作同torch.cat类似

贴个torch.stack()官方文档的截图

dim代表沿着哪个维度进行堆叠

举个例子：

dim=0时：（dim不写时，默认为0）

a: 2x3 ; b: 2x3 ; c: 2x2x3

dim=1时：略

dim=2时：

a: 2x3 ; b: 2x3 ; c: 2x3x2

总结

参考链接

https://zhuanlan.zhihu.com/p/70035580

https://www.pianshen.com/article/10611294719/

torch.cat() 和 torch.stack()相关推荐

torch.cat 和 torch.stack
torch.cat 和 torch.stack看起来相似但是性质还是不同的使用python中的list列表收录tensor时,然后将list列表转化成tensor时,会报错.这个时候就要使用torc ...
pytorch学习——torch.cat和torch.stack的区别
合并tensors torch.cat 沿着特定维数连接一系列张量. torch.stack 沿新维度连接一系列张量. torch.cat 在给定维度中连接给定的 seq 个张量序列. 所有张量必须具 ...
2021.08.22学习内容torch.cat()和torch.stack()函数
torch.cat()函数将两个张量(tensor)拼接在一起,cat是concatnate的意思,即拼接,联系在一起. def cat(tensors: List[torch.Tensor], d ...
【深度学习】特征融合的重要方法 | 张量的拼接 | torch.cat()函数 | torch.add(函数
文章目录前言一.torch.cat()函数拼接只存在h,w(高,宽)的图像二.torch.cat() 拼接存在c,h,w(通道,高,宽)的图像三.torch.add()使张量对应元素直接相加 ...
Pytorch教程（十九）torch.cat与torch.stack的区别
这一节,将分析拼接(concatenating)和叠加(stacking)张量的区别. 首先看三个例子,一个是pytorch,一个是TensorFlow,一个是numpy. stack和cat张量之间 ...
pytorch拼接函数：torch.stack()和torch.cat()--详解及例子
原文链接: https://blog.csdn.net/xinjieyuan/article/details/105205326 https://blog.csdn.net/xinjieyuan/ar ...
torch.stack(), torch.cat()用法详解
torch.stack(), torch.cat()用法详解 if __name__ == '__main__':import torchx_dat = torch.tensor([[1, 2], [ ...
多维tensor/numpy array的拼接(np.stack, torch.cat)
对于numpy array 当有如下情景,我需要4维tensor,(b,c,w,h), 而写的程序是单张图片遍历的,即每张图片(c,w,h),这时,就需要先用一个list,然后每次append,到最后 ...
torch.cat torch.stack
文章目录 1. torch.cat 在原来的维度上堆叠 2. torch.stack 在新的维度上堆叠 3. 小结: 1. torch.cat 在原来的维度上堆叠 cat是concatnate的意思: ...

torch.cat() 和 torch.stack()