关于torch.cat()和torch.stack()的区别

=========================================================================
        关于torch.cat和torch.stack的区别，其实他们是很不一样的，stack不仅仅是多一个维度的问题。

        
        先看示例：  2022-8-11 22:57:04
        b=torch.tensor([[1,2,3],[4,5,6]])
 
        c = torch.cat((b,b),0) # 两维数据cat只能沿着宽高方向进行拼接
        print(c.shape)
        print(c)
        >>>torch.Size([4, 3])
        >>>tensor([[1, 2, 3],
                   [4, 5, 6],
                   [1, 2, 3],
                   [4, 5, 6]])
 
        c = torch.cat((b,b),1)
        print(c.shape)
        print(c)
        >>>torch.Size([2, 6])
        >>>tensor([[1, 2, 3, 1, 2, 3],
                   [4, 5, 6, 4, 5, 6]])
        
        # stack之后会多一维
        c = torch.stack((b,b),0) # 沿0维方向stack，相当于把两个矩阵直接整个放到一起
        print(c.shape)
        print(c)
        >>>torch.Size([2, 2, 3])
        >>>tensor([[[1, 2, 3],
                    [4, 5, 6]],
                   [[1, 2, 3],
                    [4, 5, 6]]])
 
        c = torch.stack((b,b),1) # 沿1维方向stack，相当于把两个矩阵各拿对应的行组成一个二维矩阵，再把其他的对应行组成其他的二维矩阵
        print(c.shape)           # 最后再把这些二维矩阵放到一起
        print(c)
        >>>torch.Size([2, 2, 3])
        >>>tensor([[[1, 2, 3],
                    [1, 2, 3]],
                   [[4, 5, 6],
                    [4, 5, 6]]])
 
        c = torch.stack((b,b),2) # 沿2维方向stack，把两个矩阵每个对应位置上的一个数拿出来放到一起， 2022-8-11 23:10:28
        print(c.shape)
        print(c)
        >>>torch.Size([2, 3, 2])
        >>>tensor([[[1, 1],
                    [2, 2],
                    [3, 3]],
                   [[4, 4],
                    [5, 5],
                    [6, 6]]])
        
        总结：cat只是把两个矩阵在对应维度上进行拼接，
              而stack是把两个矩阵对应维度的值拿出来包在一起， 2022-8-11 23:13:46