可以直接看最下面的【3.例子】，再回頭看前面的解釋

在pytorch中，常見(jiàn)的拼接函數(shù)主要是兩個(gè)，分別是：

1、stack()

2、cat()

實(shí)際使用中，這兩個(gè)函數(shù)互相輔助：關(guān)于cat()參考torch.cat()，但是本文主要說(shuō)stack()。

函數(shù)的意義：使用stack可以保留兩個(gè)信息：[1. 序列] 和 [2. 張量矩陣] 信息，屬于【擴(kuò)張?jiān)倨唇印康暮瘮?shù)。

形象的理解：假如數(shù)據(jù)都是二維矩陣(平面)，它可以把這些一個(gè)個(gè)平面(矩陣)按第三維(例如：時(shí)間序列)壓成一個(gè)三維的立方體，而立方體的長(zhǎng)度就是時(shí)間序列長(zhǎng)度。

該函數(shù)常出現(xiàn)在自然語(yǔ)言處理（NLP）和圖像卷積神經(jīng)網(wǎng)絡(luò)(CV)中。

1. stack()

官方解釋?zhuān)貉刂粋€(gè)新維度對(duì)輸入張量序列進(jìn)行連接。 序列中所有的張量都應(yīng)該為相同形狀。

淺顯說(shuō)法：把多個(gè)2維的張量湊成一個(gè)3維的張量；多個(gè)3維的湊成一個(gè)4維的張量…以此類(lèi)推，也就是在增加新的維度進(jìn)行堆疊。

outputs = torch.stack(inputs, dim=?) → Tensor

參數(shù)

inputs : 待連接的張量序列。

注：python的序列數(shù)據(jù)只有l(wèi)ist和tuple。

dim : 新的維度， 必須在0到len(outputs)之間。

注：len(outputs)是生成數(shù)據(jù)的維度大小，也就是outputs的維度值。

2. 重點(diǎn)

函數(shù)中的輸入inputs只允許是序列；且序列內(nèi)部的張量元素，必須shape相等

----舉例：[tensor_1, tensor_2,..]或者(tensor_1, tensor_2,..)，且必須tensor_1.shape == tensor_2.shape

dim是選擇生成的維度，必須滿足0=dimlen(outputs)；len(outputs)是輸出后的tensor的維度大小

不懂的看例子，再回過(guò)頭看就懂了。

3. 例子

1.準(zhǔn)備2個(gè)tensor數(shù)據(jù)，每個(gè)的shape都是[3,3]

# 假設(shè)是時(shí)間步T1的輸出
T1 = torch.tensor([[1, 2, 3],
          [4, 5, 6],
          [7, 8, 9]])
# 假設(shè)是時(shí)間步T2的輸出
T2 = torch.tensor([[10, 20, 30],
          [40, 50, 60],
          [70, 80, 90]])

2.測(cè)試stack函數(shù)

print(torch.stack((T1,T2),dim=0).shape)
print(torch.stack((T1,T2),dim=1).shape)
print(torch.stack((T1,T2),dim=2).shape)
print(torch.stack((T1,T2),dim=3).shape)
# outputs:
torch.Size([2, 3, 3])
torch.Size([3, 2, 3])
torch.Size([3, 3, 2])
'選擇的dim>len(outputs)，所以報(bào)錯(cuò)'
IndexError: Dimension out of range (expected to be in range of [-3, 2], but got 3)

可以復(fù)制代碼運(yùn)行試試：拼接后的tensor形狀，會(huì)根據(jù)不同的dim發(fā)生變化。