torch.cat()

torch.cat(Tuple[Tensor],dim)->Tensor

输入为Tensor的List/Tuple，输出为一个Tensor

torch.cat（）用于对张量的拼接，与数组拼接函数torch.stack（）用法类似，二者区别在于输入的变量是数组还是张量。

其中初学者最费解的就是dim的选取，dim的取值范围由输入张量的维度决定，输入为n维张量，dim取值在[0,n-1],接下来我们以实验理解dim不同取值对应的不同操作结果。

初次接触众多博客对dim的讲解为，对于两个二维张量作为输入，dim取0结果为两个张量按行拼接，取1结果为按列拼接，但是对于高维来说就有点难以直观想象结果了，我们尝试三维情况进而总结规律。

先从一个简单的例子入手，输入两个张量为二维，dim取值分别为0和1 ：

import torchX=torch.tensor([[1,2,3],[4,5,6]])Y=torch.tensor([[7,8,9],[1,4,7]])input=[X,Y]A=torch.cat(input,dim=0)B=torch.cat(input,dim=1)print("X:{}\nY:{}\ndim0:{}\ndim1:{}".format(X,Y,A,B))

结果如下

可以看出对于两个二维张量作为输入，dim取0结果为两个张量按行拼接，取1结果为按列拼接，但是对于高维来说就有点难以直观想象结果了，我们尝试三维情况进而总结规律。

import torchX=torch.tensor([[[1,2],[3,4]],[[5,6],[7,8]]])Y=torch.tensor([[[7,6],[5,4]],[[8,9],[9,10]]])input=[X,Y]A=torch.cat(input,dim=0)B=torch.cat(input,dim=1)C=torch.cat(input,dim=2)print("X:{}\nY:{}\ndim0:{}\ndim1:{}\ndim2:{}".format(X,Y,A,B,C))

输入为两个三维张量：

输出：

可见对于dim=0，其输出结果为对两个张量的最高维度包含的内容进行拼接，此例中，X和Y均为三维张量，其最高维度包含的内容为二维，因此，dim=0结果是对其二维张量进行拼接组成的三维张量：

那么对于dim=1的情况，就是对次高维包含内容进行拼接，次高维为2维，其内容为1维，将1维进行拼接得到：

以此类推，对于dim=n-1的情况比较难理解，此例dim=2，对次次高维即1维的内容进行拼接，其中1维的内容是0维，可以理解为1维张量括号内的元素，即每个数字，将其进行拼接，得到结果：

至此，torch.cat（）的dim作用已经讲清楚，建议动手实验一下就可以弄明白其中的奥秘！！！