tf.concat( )和tf.stack( )

相同点：都是组合重构数据.

不一样点：concat（）不改变维数，而stack改变了维数（待定！！！）

tf.concat是链接两个矩阵的操做，请注意API版本更改问题，相应参数也发生改变，具体查看API.

 

tf.concat(concat_dim, values, name='concat')

除去name参数用以指定该操做的name，与方法有关的一共两个参数：

 

第一个参数concat_dim：必须是一个数，代表在哪一维上链接

     若是concat_dim是0，那么在某一个shape的第一个维度上连，对应到实际，就是叠放到列上 

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat(0, [t1, t2]) == > [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat(0, [t1, t2]) == > [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]

             若是concat_dim是1，那么在某一个shape的第二个维度上连

 

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat(1, [t1, t2]) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat(1, [t1, t2]) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12

             若是有更高维，最后链接的依然是指定那个维：

             values[i].shape = [D0, D1, ... Dconcat_dim(i), ...Dn]链接后就是：[D0, D1, ... Rconcat_dim, ...Dn]

  

# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
tf.shape(tf.concat(0, [t3, t4])) ==> [4, 3]
tf.shape(tf.concat(1, [t3, t4])) ==> [2, 6]

# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
tf.shape(tf.concat(0, [t3, t4])) ==> [4, 3]
tf.shape(tf.concat(1, [t3, t4])) ==> [2, 6]

 

 

第二个参数values：就是两个或者一组待链接的tensor了

 

/×××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××/


这里要注意的是：若是是两个向量，它们是没法调用  

tf.concat(1, [t1, t2])

tf.concat(1, [t1, t2])

来链接的，由于它们对应的shape只有一个维度，固然不能在第二维上连了，虽然实际中两个向量能够在行上连，可是放在程序里是会报错的

若是要连，必需要调用tf.expand_dims来扩维： 

t1=tf.constant([1,2,3])
t2=tf.constant([4,5,6])
#concated = tf.concat(1, [t1,t2])这样会报错
t1=tf.expand_dims(tf.constant([1,2,3]),1)
t2=tf.expand_dims(tf.constant([4,5,6]),1)
concated = tf.concat(1, [t1,t2])#这样就是正确的