1. torch.stack() 方法：
- 行为： 创建一个新的维度，并在该维度上堆叠张量。结果张量的维度比原始张量多一维。
- 适用场景： 当需要在新的维度上堆叠张量时，特别是在创建新批次或样本时。
import torchtensor1 = torch.tensor([[1, 2], [3, 4]])
tensor2 = torch.tensor([[5, 6]])# 沿着新的维度（第0维）堆叠
result = torch.stack((tensor1, tensor2))
print(result)
# 输出:
# tensor([[[1, 2],
# [3, 4]],
# [[5, 6]]])
2. torch.cat() 与 torch.unsqueeze() 方法：
- 行为： 使用
torch.unsqueeze()在现有维度上增加一个维度，然后使用torch.cat()连接张量。这样可以在现有维度上进行连接，但增加了一个额外的维度。 - 适用场景： 当希望在现有维度上连接张量，但需要处理张量的不同形状时，可以使用此方法。
import torchtensor1 = torch.tensor([[1, 2], [3, 4]])
tensor2 = torch.tensor([[5, 6]])# 使用 torch.unsqueeze 在现有维度上增加一个维度，然后使用 torch.cat() 连接
tensor2_expanded = torch.unsqueeze(tensor2, dim=0)
result = torch.cat((tensor1, tensor2_expanded), dim=0)
print(result)
# 输出:
# tensor([[1, 2],
# [3, 4],
# [5, 6]])
3. torch.cat() 与 torch.chunk() 方法：
- 行为： 使用
torch.chunk()将一个张量沿着指定维度分割成多个张量，然后通过torch.cat()连接所需的部分。这样可以在分割点处灵活地进行连接。 - 适用场景： 当需要在连接之前在指定点处对张量进行分割时，特别是处理不同部分的不同操作。
import torchtensor1 = torch.tensor([[1, 2], [3, 4]])
tensor2 = torch.tensor([[5, 6]])# 使用 torch.chunk() 将 tensor1 沿着第0维度分割成两部分，然后通过 torch.cat() 连接所需的部分
chunks = torch.chunk(tensor1, chunks=2, dim=0)
result = torch.cat((chunks[0], tensor2, chunks[1]), dim=0)
print(result)
# 输出:
# tensor([[1, 2],
# [5, 6],
# [3, 4]])
4. torch.cat() 与 Python 列表方法：
- 行为： 使用 Python 列表来包含张量，然后使用
torch.cat()连接列表中的张量。这样提供了一种更灵活的方式来组织和连接张量。 - 适用场景： 当有多个张量需要连接，而这些张量以列表的形式存在时，可以使用此方法。这种方法对于动态构建需要连接的张量集合很有用。
import torchtensor1 = torch.tensor([[1, 2], [3, 4]])
tensor2 = torch.tensor([[5, 6]])# 使用 Python 列表包含张量，然后使用 torch.cat() 连接列表中的张量
tensors_list = [tensor1, tensor2]
result = torch.cat(tensors_list, dim=0)
print(result)
# 输出:
# tensor([[1, 2],
# [3, 4],
# [5, 6]])
相关链接：torch.cat()函数的理解
