torch.stack和torch.cat在深度学习中的用法

1、关于torch.stack做拼接的时候，无论是按照那个维度进行拼接，其结果都会进行扩维的，下面来看具体的例子：

import torch
a=torch.tensor([[1,2,3],[4,5,6]])
b=torch.tensor([[7,8,9],[10,11,12]])
c=torch.stack((a,b), 2)
print(c)
d=torch.stack((a,b),1)
print(d)
e=torch.stack((a,b),0)
print(e)

结果如下：

tensor([[[ 1,  7],
         [ 2,  8],
         [ 3,  9]],

        [[ 4, 10],
         [ 5, 11],
         [ 6, 12]]])
tensor([[[ 1,  2,  3],
         [ 7,  8,  9]],

        [[ 4,  5,  6],
         [10, 11, 12]]])
tensor([[[ 1,  2,  3],
         [ 4,  5,  6]],

        [[ 7,  8,  9],
         [10, 11, 12]]])

2、当使用cat进行拼接的时候，具体的例子如下：

import torch
a=torch.tensor([[1,2,3],[4,5,6]])
b=torch.tensor([[7,8,9],[10,11,12]])
c=torch.cat((a,b),0)
print(c)
d=torch.cat((a,b),1)
print(d)

结果如下：

tensor([[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9],
        [10, 11, 12]])
tensor([[ 1,  2,  3,  7,  8,  9],
        [ 4,  5,  6, 10, 11, 12]])

总结：
从上面的两个例子中我们是可以看出这两个API的不同，前者是无论你是以哪一个维度来进行拼接，都会改变当前的维度，但是后者不会改变当前的维度。以上两者通常会在深度学习中使用。