np.stack() 与 tf.stack() 的简单理解

说明：np ----> numpy       tf ----> tensorflownp.stack(arrays, axis=0)

np.stack(arrays, axis=0) ---- 一样也适用于tf.stack()

numpy 和 tensorflow 都有 stack() 函数，该函数主要是用来提高维度。

在只提供数组（张量）和axis参数的前提下，  二者的使用方法和结果同样，原理同样，因此这里用numpy作演示。

假设要转变的张量数组arrays的长度为N,其中的每一个张量数组的形状为(A, B, C)。

若是轴axis=0，则转变后的张量的形状为(N, A, B, C)。

若是轴axis=1，则转变后的张量的形状为(A, N, B, C)。

若是轴axis=2，则转变后的张量的形状为(A, B, N, C)。其它状况依次类推。

例如：

 

np.stack(arrays, axis=0)则表示arrays[0], arrays[1], arrays[2]进行堆叠，因此结果与原始数组同样。

np.stack(arrays, axis=1)则表示arrays[0][0], arrays[1][0]和arrays[2][0]进行堆叠，而后是arrays[0][1]，arrays[1][1]与arrays[2][1]进行堆叠。

np.stack(arrays, axis=2)则表示arrays[0][0][0]，arrays[1][0][0]和arrays[2][0][0]进行堆叠，而后是arrays[0][0][1]，arrays[1][0][1]与arrays[2][0][1]进行堆叠，接着为arrays[0][0][2]，arrays[1][0][2]与arrays[2][0][2]进行堆叠......

图例说明：

注：转化后的索引看上面蓝色和绿色的线。

 

到这里就是我所有的理解，若有错误，欢迎指出。