有时我们在处理数据时，需要对指定的tensor按照指定维度进行拼接，对于这个需求，pytorch中提供了两个函数供我们使用，一个是torch.cat()，另外一个是torch.stack()，这两者都可以拼接tensor，但是这二者又有一些区别。
二者相同点就是都可以实现拼接tensor，不同之处就是是否是在新的维度上进行拼接（是否产生新的维度）。
一、torch.cat()
该方法可以将任意个tensor按照指定维度进行拼接，需要传入两个参数，一个参数是需要拼接的tensor，需要以列表的形式进行传入，第二个参数就是需要拼接的维度。
a = torch.randn(3, 4) b = torch.randn(3, 4) c = torch.cat([a, b], dim=0) print(c) print(c.shape)
tensor([[ 0.1040, -0.3168, -1.3974, -1.2703], [ 0.4375, 1.4254, 0.2875, -0.2420], [-0.9663, -1.8022, -1.2352, 0.7283], [-0.4226, 0.0375, -0.3861, 1.3939], [ 1.6275, -0.1319, -0.7143, 0.3624], [ 0.2245, -1.7482, -0.7933, -0.1008]]) torch.Size([6, 4])
该例子中我们定义了两个tensor，维度分别都是【3，4】，我们使用cat进行拼接，传入的维度是0，那么我们得到的结果就是会将两个tensor按照第一个维度进行拼接，可以理解为按行堆叠，把每一行想成一个样本，那么我们拼接后就会得到6个样本，维度变成【6，4】。
二、torch.stack()
第二种方法就是torch.stack()了，该方法也可以进行拼接，但是与cat有一些不同。
对于传入的参数列表和torch.cat是一样的，但是stack指定的dim是一个新的维度，最终是在这个新的维度上进行拼接。
a = torch.randn(3, 4) b = torch.randn(3, 4) c = torch.stack([a, b], dim=0) print(c) print(c.shape)
tensor([[[ 0.1040, -0.3168, -1.3974, -1.2703], [ 0.4375, 1.4254, 0.2875, -0.2420], [-0.9663, -1.8022, -1.2352, 0.7283]], [[-0.4226, 0.0375, -0.3861, 1.3939], [ 1.6275, -0.1319, -0.7143, 0.3624], [ 0.2245, -1.7482, -0.7933, -0.1008]]]) torch.Size([2, 3, 4])
上面我们指定拼接的dim为0，那么我们会新产生一个维度，得到结果【2，3，4】，原来两个tensor的维度不变，新生成一个维度2，代表拼接后维度。
c = torch.stack([a, b], dim=1) print(c) print(c.shape)
tensor([[[ 0.1040, -0.3168, -1.3974, -1.2703], [-0.4226, 0.0375, -0.3861, 1.3939]], [[ 0.4375, 1.4254, 0.2875, -0.2420], [ 1.6275, -0.1319, -0.7143, 0.3624]], [[-0.9663, -1.8022, -1.2352, 0.7283], [ 0.2245, -1.7482, -0.7933, -0.1008]]]) torch.Size([3, 2, 4])
如果我们设置为1，那么就会新产生1一个维度在第二位，得到结果【3，2，4】。
