🍃作者介绍：双非本科大三网络工程专业在读，阿里云专家博主，专注于Java领域学习，擅长web应用开发、数据结构和算法，初步涉猎人工智能和前端开发。
🦅个人主页：@逐梦苍穹
📕所属专栏：人工智能
🌻gitee地址：xzl的人工智能代码仓库
✈ 您的一键三连，是我创作的最大动力🌹

1、简介

张量拼接是将两个或多个张量沿指定维度连接起来的操作，这是在神经网络搭建过程中是非常常用的方法。
在深度学习和数据处理的过程中，经常需要将多个张量拼接成一个更大的张量。

张量拼接：

• 定义：张量拼接是将两个或多个张量沿着指定的维度连接起来，形成一个新的张量。
• 应用：常用于数据预处理、特征组合、模型输出处理等场景。
• 要求：被拼接的张量在非拼接维度上的形状必须一致。

2、torch.cat

torch.cat 函数可以将两个张量根据指定的维度拼接起来。

# -*- coding: utf-8 -*-
# @Author: CSDN@逐梦苍穹
# @Time: 2024/7/17 1:28
import torchdef test():data1 = torch.randint(0, 10, [3, 5, 4])data2 = torch.randint(0, 10, [3, 5, 4])print(data1)print(data2)print('-' * 50)# 1. 按0维度拼接new_data = torch.cat([data1, data2], dim=0)print(new_data.shape)print('-' * 50)# 2. 按1维度拼接new_data = torch.cat([data1, data2], dim=1)print(new_data.shape)# 3. 按2维度拼接new_data = torch.cat([data1, data2], dim=2)print(new_data)if __name__ == '__main__':test()

运行结果：

E:\anaconda3\python.exe D:\Python\AI\PyTorch\11-张量拼接.py 
tensor([[[0, 7, 4, 8],[7, 7, 9, 6],[2, 6, 8, 2],[7, 1, 0, 3],[8, 0, 2, 4]],[[0, 1, 0, 9],[5, 1, 9, 8],[7, 8, 8, 5],[0, 6, 0, 0],[0, 8, 9, 2]],[[4, 2, 2, 3],[7, 9, 0, 9],[2, 7, 8, 8],[6, 9, 8, 5],[3, 6, 9, 8]]])
tensor([[[7, 2, 3, 8],[3, 1, 6, 3],[4, 0, 2, 8],[6, 9, 8, 9],[1, 1, 5, 2]],[[4, 0, 2, 2],[0, 0, 7, 4],[9, 3, 9, 2],[1, 5, 9, 5],[7, 5, 7, 6]],[[1, 8, 3, 9],[4, 2, 6, 4],[6, 6, 6, 9],[2, 5, 0, 5],[9, 0, 1, 2]]])
--------------------------------------------------
torch.Size([6, 5, 4])
--------------------------------------------------
torch.Size([3, 10, 4])
tensor([[[0, 7, 4, 8, 7, 2, 3, 8],[7, 7, 9, 6, 3, 1, 6, 3],[2, 6, 8, 2, 4, 0, 2, 8],[7, 1, 0, 3, 6, 9, 8, 9],[8, 0, 2, 4, 1, 1, 5, 2]],[[0, 1, 0, 9, 4, 0, 2, 2],[5, 1, 9, 8, 0, 0, 7, 4],[7, 8, 8, 5, 9, 3, 9, 2],[0, 6, 0, 0, 1, 5, 9, 5],[0, 8, 9, 2, 7, 5, 7, 6]],[[4, 2, 2, 3, 1, 8, 3, 9],[7, 9, 0, 9, 4, 2, 6, 4],[2, 7, 8, 8, 6, 6, 6, 9],[6, 9, 8, 5, 2, 5, 0, 5],[3, 6, 9, 8, 9, 0, 1, 2]]])Process finished with exit code 0

3、torch.stack

torch.stack 函数可以将两个张量根据指定的维度叠加起来.

def test2():data1 = torch.randint(0, 10, [2, 3])data2 = torch.randint(0, 10, [2, 3])print(data1)print(data2)new_data = torch.stack([data1, data2], dim=0)print(new_data)print(new_data.shape)new_data = torch.stack([data1, data2], dim=1)print(new_data)print(new_data.shape)new_data = torch.stack([data1, data2], dim=2)print(new_data)print(new_data.shape)

输出：

E:\anaconda3\python.exe D:\Python\AI\PyTorch\11-张量拼接.py 
tensor([[4, 2, 9],[5, 2, 2]])
tensor([[8, 4, 7],[4, 7, 3]])
tensor([[[4, 2, 9],[5, 2, 2]],[[8, 4, 7],[4, 7, 3]]])
torch.Size([2, 2, 3])
tensor([[[4, 2, 9],[8, 4, 7]],[[5, 2, 2],[4, 7, 3]]])
torch.Size([2, 2, 3])
tensor([[[4, 8],[2, 4],[9, 7]],[[5, 4],[2, 7],[2, 3]]])
torch.Size([2, 3, 2])Process finished with exit code 0

4、数学过程

维度拼接和维度叠加的本质区别：

维度拼接不改变矩阵维度
维度叠加会增加矩阵维度

4.1、维度拼接

先说结论：

1. 维度拼接的本质，就是沿着轴方向进行拼接
2. 轴的编号定义，由外往内依次为0，1，2，…，n

4.1.1、二维张量

先用简单的二维张量引入

假设有两个二维张量 A 和 B：
$[A=\left(\begin{array}{cc}1& 2\\ 3& 4\end{array}\right)]$ $[B=\left(\begin{array}{cc}5& 6\\ 7& 8\end{array}\right)]$
沿着第0维度（行）拼接，会将B的行追加到A的行后面：
$[\text{cat}(A,B,\text{dim}=0)=\left(\begin{array}{cc}1& 2\\ 3& 4\\ 5& 6\\ 7& 8\end{array}\right)]$
沿着第1维度（列）拼接，会将B的列追加到A的列后面：
$[\text{cat}(A,B,\text{dim}=1)=\left(\begin{array}{cccc}1& 2& 5& 6\\ 3& 4& 7& 8\end{array}\right)]$

4.1.2、三维张量

假设我们有两个张量 $A$ 和 $B$，它们的形状都是 [3,5,4]。
这里我们使用以下符号表示它们的元素：
$A=a_{ijk}$ ； $B=b_{ijk}$
其中 $i$ 的范围是 [0,2]，$j$ 的范围是 [0,4]，$k$ 的范围是 [0,3]。
按 0 维度拼接
当我们沿着第 0 维度拼接时，新张量 $C$ 的形状变为 [6,5,4]。
具体来说，新张量 $C$ 的元素定义如下：
$[C_{ijk}=\{\begin{array}{ll}{a}_{ijk}& \text{if }i<3\\ b_{(i-3)jk}& \text{if }i\ge 3\end{array}]$
这意味着新张量 $C$ 的前 3 个切片是 $A$ 的所有元素，接下来的 3 个切片是 $B$ 的所有元素。
按 1 维度拼接
当我们沿着第 1 维度拼接时，新张量 $D$ 的形状变为 [3,10,4]。
具体来说，新张量 $D$ 的元素定义如下：
$[D_{ijk}=\{\begin{array}{ll}{a}_{i(jk)}& \text{if }j<5\\ b_{i(j-5)k}& \text{if }j\ge 5\end{array}]$
这意味着新张量 $D$ 的前 5 列是 $A$ 的所有列，接下来的 5 列是 $B$ 的所有列。
按 2 维度拼接
当我们沿着第 2 维度拼接时，新张量 $E$ 的形状变为 [3,5,8]。
具体来说，新张量 $E$ 的元素定义如下：
$[E_{ijk}=\{\begin{array}{ll}{a}_{ij(k)}& \text{if }k<4\\ b_{ij(k-4)}& \text{if }k\ge 4\end{array}]$
这意味着新张量 $E$ 的前 4 个深度切片是$A$的所有深度切片，接下来的 4 个深度切片是 $B$ 的所有深度切片。

4.1.3、具体实例

为了更好地理解，我们举个例子。假设：
$A=\left(\begin{array}{c}\left(\begin{array}{cccc}1& 2& 3& 4\\ 5& 6& 7& 8\\ 9& 10& 11& 12\\ 13& 14& 15& 16\\ 17& 18& 19& 20\end{array}\right)\\ \left(\begin{array}{cccc}21& 22& 23& 24\\ 25& 26& 27& 28\\ 29& 30& 31& 32\\ 33& 34& 35& 36\\ 37& 38& 39& 40\end{array}\right)\\ \left(\begin{array}{cccc}41& 42& 43& 44\\ 45& 46& 47& 48\\ 49& 50& 51& 52\\ 53& 54& 55& 56\\ 57& 58& 59& 60\end{array}\right)\end{array}\right)$；$B=\left(\begin{array}{c}\left(\begin{array}{cccc}101& 102& 103& 104\\ 105& 106& 107& 108\\ 109& 110& 111& 112\\ 113& 114& 115& 116\\ 117& 118& 119& 120\end{array}\right)\\ \left(\begin{array}{cccc}121& 122& 123& 124\\ 125& 126& 127& 128\\ 129& 130& 131& 132\\ 133& 134& 135& 136\\ 137& 138& 139& 140\end{array}\right)\\ \left(\begin{array}{cccc}141& 142& 143& 144\\ 145& 146& 147& 148\\ 149& 150& 151& 152\\ 153& 154& 155& 156\\ 157& 158& 159& 160\end{array}\right)\end{array}\right)$

1. 按 0 维度拼接：

$[C=\left(\begin{array}{c}{A}_{1,:,:}\\ A_{2,:,:}\\ A_{3,:,:}\\ B_{1,:,:}\\ B_{2,:,:}\\ B_{3,:,:}\end{array}\right)]$

2. 按 1 维度拼接：

$[D=\left(\begin{array}{cc}{A}_{:,1,:}& B_{:,1,:}\\ A_{:,2,:}& B_{:,2,:}\\ A_{:,3,:}& B_{:,3,:}\\ A_{:,4,:}& B_{:,4,:}\\ A_{:,5,:}& B_{:,5,:}\end{array}\right)]$

3. 按 2 维度拼接：

$[E=\left(\begin{array}{cc}{A}_{:,:,1}& B_{:,:,1}\\ A_{:,:,2}& B_{:,:,2}\\ A_{:,:,3}& B_{:,:,3}\\ A_{:,:,4}& B_{:,:,4}\end{array}\right)]$

这么看也许还是有些抽象，下面用画图的形式帮助理解。
三个轴由内到外：

零维拼接：

一维拼接：

二维拼接：

4.2、维度叠加

维度叠加中的0维、1维、2维叠加具体描述了在多维张量（tensor）操作中，如何将多个张量沿某个特定维度堆叠成一个新的更高维度的张量。通过例子和相应的 LaTeX 表达式，可以更清晰地理解这些操作。
维度叠加的概念
假设我们有两个形状相同的张量 A 和 B，形状为 [𝑑0,𝑑1,𝑑2][d0,d1,d2]。
维度叠加就是在现有维度基础上增加一个新的维度来合并这些张量。

假设矩阵 $A$ 和 $B$ 为：
$A=\left(\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\end{array}\right)$ ； $B=\left(\begin{array}{ccc}7& 8& 9\\ 10& 11& 12\end{array}\right)$

4.2.1、0维叠加

0维叠加表示在新增加的第0维度上堆叠多个张量。这会在现有张量的前面增加一个新维度。
操作：$C=stack(A,B,dim=0)$
结果：$C=\left(\begin{array}{c}\left(\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\end{array}\right)\\ \left(\begin{array}{ccc}7& 8& 9\\ 10& 11& 12\end{array}\right)\end{array}\right)$
新张量形状：[2,2,3]

4.2.2、1维叠加

1维叠加表示在第1维度上堆叠多个张量。这会在现有张量的第二个维度上增加一个新维度。
操作：$C=stack(A,B,dim=1)$
结果：$C=\left(\begin{array}{cc}\left(\begin{array}{ccc}1& 2& 3\end{array}\right)& \left(\begin{array}{ccc}7& 8& 9\end{array}\right)\\ \left(\begin{array}{ccc}4& 5& 6\end{array}\right)& \left(\begin{array}{ccc}10& 11& 12\end{array}\right)\end{array}\right)$
新张量形状：[2,2,3]

4.2.3、2维叠加（非常重要⭐）

2维叠加表示在第2维度上堆叠多个张量。这会在现有张量的第三个维度上增加一个新维度。
操作：$C=stack(A,B,dim=2)$
结果：$C=\left(\begin{array}{cc}\left(\begin{array}{cc}1& 7\\ 2& 8\\ 3& 9\end{array}\right)& \left(\begin{array}{cc}4& 10\\ 5& 11\\ 6& 12\end{array}\right)\end{array}\right)$
新张量形状：[2,3,2]

前面的都好理解，不再展开，
下面详解如何二位叠加。

维度叠加中的二维叠加意味着在第三个维度上堆叠张量。
这种叠加方式实际上增加了一个新维度，将两个张量的对应元素组合在一起。
具体来说，对于每个位置 $(i,j)$，新的张量在该位置上包含两个元素，一个来自 $A$，一个来自 $B$。

计算步骤：
对于位置 (1,1)：$A_{11}=1,B_{11}=7$
在2维叠加之后，新张量在位置 (1,1) 上的元素为：$C_{11}=\left(\begin{array}{c}1\\ 7\end{array}\right)$
对于位置 (1,2)：$A_{12}=2,B_{12}=8$
在2维叠加之后，新张量在位置 (1,2) 上的元素为：$C_{12}=\left(\begin{array}{c}2\\ 8\end{array}\right)$
对于位置 (1,3)：$A_{13}=3,B_{13}=9$
在2维叠加之后，新张量在位置 (1,3) 上的元素为：$C_{13}=\left(\begin{array}{c}3\\ 9\end{array}\right)$
继续这样处理所有位置，得到新的张量 $C$ 的形状为 [2,3,2]，每个位置上的元素包含两个来自原始张量的元素。
新张量 $C$ 的具体表示:$C=\left(\begin{array}{c}\left(\begin{array}{cc}1& 7\\ 2& 8\\ 3& 9\end{array}\right)\\ \left(\begin{array}{cc}4& 10\\ 5& 11\\ 6& 12\end{array}\right)\end{array}\right)$