在pytorch中，常見的拼接函數(shù)主要是兩個，分別是：
stack()cat()
實際使用中，這兩個函數(shù)互相輔助：關(guān)于cat()參考torch.cat()，但是本文主要說stack()。
函數(shù)的意義：使用stack可以保留兩個信息：[1. 序列] 和 [2. 張量矩陣] 信息，屬于【擴張再拼接】的函數(shù)；可以認(rèn)為把一個個矩陣按時間序列壓緊成一個矩陣。 常出現(xiàn)在自然語言處理（NLP）和圖像卷積神經(jīng)網(wǎng)絡(luò)(CV)中。
1. stack()
官方解釋：沿著一個新維度對輸入張量序列進行連接。 序列中所有的張量都應(yīng)該為相同形狀。
淺顯說法：把多個2維的張量湊成一個3維的張量；多個3維的湊成一個4維的張量…以此類推，也就是在增加新的維度進行堆疊。
outputs = torch.stack(inputs, dim=0) → Tensor
參數(shù)
inputs : 待連接的張量序列。 注：
python的序列數(shù)據(jù)只有list和tuple。dim : 新的維度， 必須在
0到len(outputs)之間。 注：len(outputs)是生成數(shù)據(jù)的維度大小，也就是outputs的維度值。
2. 重點
- 函數(shù)中的輸入
inputs只允許是序列；且序列內(nèi)部的張量元素，必須shape相等
----舉例：[tensor_1, tensor_2,..]或者(tensor_1, tensor_2,..)，且必須tensor_1.shape == tensor_2.shape
-
dim是選擇生成的維度，必須滿足0<=dim<len(outputs)；len(outputs)是輸出后的tensor的維度大小
不懂的看例子，再回過頭看就懂了。
3. 例子
1.準(zhǔn)備2個tensor數(shù)據(jù)，每個的shape都是[3,3]
T1 = torch.tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 假設(shè)是時間步T2
T2 = torch.tensor([[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
2.測試stack函數(shù)
print(torch.stack((T1,T2),dim=0).shape)
print(torch.stack((T1,T2),dim=1).shape)
print(torch.stack((T1,T2),dim=2).shape)
print(torch.stack((T1,T2),dim=3).shape)
# outputs:
torch.Size([2, 3, 3])
torch.Size([3, 2, 3])
torch.Size([3, 3, 2])
'選擇的dim>len(outputs)，所以報錯'
IndexError: Dimension out of range (expected to be in range of [-3, 2], but got 3)
可以復(fù)制代碼運行試試：拼接后的tensor形狀，會根據(jù)不同的dim發(fā)生變化。
| dim | shape |
|---|---|
| 0 | [2, 3, 3] |
| 1 | [3, 2, 3] |
| 2 | [3, 3, 2] |
| 3 | 溢出報錯 |
4. 總結(jié)
函數(shù)作用： 函數(shù)
stack()對序列數(shù)據(jù)內(nèi)部的張量進行擴維拼接，指定維度由程序員選擇、大小是生成后數(shù)據(jù)的維度區(qū)間。存在意義： 在自然語言處理和卷及神經(jīng)網(wǎng)絡(luò)中， 通常為了保留–[序列(先后)信息] 和 [張量的矩陣信息] 才會使用
stack。
