tf.stack与tf.concat的比较

演示代码：

a = tf.constant([[1,2,3],[4,5,6]])
b = tf.constant([[7,8,9],[10,11,12]])
ab1 = tf.concat([a,b],axis=0)
ab2 = tf.stack([a,b], axis=0)
sess = tf.Session()
print(sess.run(ab1))
print(sess.run(ab2))
print(sess.run(ab1).shape)
print(sess.run(ab2).shape)

方法：从外层括号分析到内层括号，axis从0依次递增。
注意：tf.concat是不新增维度，单纯拼接，tf.stack是新增一个维度，所以axis的值可以比维度大一

举例说明：
axis = 0时：最外层括号（实际我们只看最外层括号里面的内容，这里要注意tf.stack因为是增加维度，所以并不分析到里面的内容，增加维度和不增加维度的区别所在）
在tf.concat函数中，所以ab1是[1,2,3],[4,5,6]与[7,8,9],[10,11,12]，`顺序拼接为：

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

在tf.stack函数中，ab2是[[1,2,3],[4,5,6]]与[[7,8,9],[10,11,12]]，在最外层新增一个维度，即是两个二维数组合并为三维：

[[[ 1  2  3]
  [ 4  5  6]]
  
 [[ 7  8  9]
  [10 11 12]]]

axis = 1时：第二层括号（实际我们只看第二层括号里面的内容，）
在tf.concat函数中，例如[[1,2,3],[4,5,6]]中的1,2,3，这里不加括号是因为我们分析的是第二层括号了，已经分析到里面的元素了所以ab1是a的1,2,3与b的7,8,9]拼接为，

[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]

在tf.stack函数中，因为axis=1,ab2是[1,2,3]与[7,8,9]，这里新增一个维度，也就是很多资料说第二个维度增加一个数字的原因所在：

[[[ 1  2  3]
  [ 7  8  9]]

 [[ 4  5  6]
  [10 11 12]]]

axis = 2时：tf.concat已经不能再分析了，因为已经元素级了，在tf.stack中，ab2是1,2,3与7,8,9以一一对应的方式stack，这里新增一个维度，第三个维度增加一个数字2：

[[[ 1  7]
  [ 2  8]
  [ 3  9]]

 [[ 4 10]
  [ 5 11]
  [ 6 12]]]

到这里就分析完整了，从数据层面讲解了对数据不同的处理方式，仅个人见解，不到之处敬请谅解。