torch.cat 和 torch.stack 是 PyTorch 中用于组合张量的两个常用函数，它们的核心区别在于输入张量的维度和输出张量的维度变化。以下是详细对比：

1. torch.cat (Concatenate)

• 作用：沿现有维度拼接多个张量，不创建新维度

• 输入要求：所有张量的形状必须除拼接维度外完全相同。

• 语法：

  torch.cat(tensors, dim=0)  # dim 指定拼接的维度

• 示例：

  a = torch.tensor([[1, 2], [3, 4]])  # shape (2, 2)
  b = torch.tensor([[5, 6]])           # shape (1, 2)# 沿 dim=0 拼接（行方向）
  c = torch.cat([a, b], dim=0)
  print(c)
  # tensor([[1, 2],
  #         [3, 4],
  #         [5, 6]])  # shape (3, 2)

• 特点：

  • 拼接后的张量在指定维度上的大小是输入张量该维度大小的总和。

  • 其他维度必须完全一致。

2. torch.stack

• 作用：沿新维度堆叠多个张量，创建新维度。

• 输入要求：所有张量的形状必须完全相同。

• 语法：

  torch.stack(tensors, dim=0)  # dim 指定新维度的位置

• 示例：

  a = torch.tensor([1, 2])  # shape (2,)
  b = torch.tensor([3, 4])  # shape (2,)# 沿新维度 dim=0 堆叠
  c = torch.stack([a, b], dim=0)
  print(c)
  # tensor([[1, 2],
  #         [3, 4]])  # shape (2, 2)# 沿新维度 dim=1 堆叠
  d = torch.stack([a, b], dim=1)
  print(d)
  # tensor([[1, 3],
  #         [2, 4]])  # shape (2, 2)

• 特点：

  • 输出张量比输入张量多一个维度。

  • 适用于将多个相同形状的张量合并为批次（如 batch_size 维度）。

3. 关键区别总结

4. 直观对比示例

假设有两个张量：

x = torch.tensor([1, 2])  # shape (2,)
y = torch.tensor([3, 4])  # shape (2,)

torch.cat 结果：

torch.cat([x, y], dim=0)  # tensor([1, 2, 3, 4]), shape (4,)

torch.stack 结果：

torch.stack([x, y], dim=0)  # tensor([[1, 2], [3, 4]]), shape (2, 2)

5. 如何选择？

• 用 torch.cat 当需要扩展现有维度（如拼接多个特征图）。

• 用 torch.stack 当需要创建新维度（如构建批次数据或堆叠不同模型的输出）

通过理解两者的维度变化逻辑，可以避免常见的形状错误（如 size mismatch）。