pytorch中torch.cat() 和paddle中的paddle.concat()函数用法

在pytorch中：

torch.cat(x=[A,B],dim=n)函数：是将数据A,B沿着dim=n的方向进行拼接；x必须是list或者tuple类型的tensor.

例子：

import torch
x1 = torch.tensor([[1, 2, 3],
                    [4, 5, 6]])

x2 = torch.tensor([[11, 12, 13],
                    [14, 15, 16]])

x3 = torch.tensor([[21, 22],
                    [23, 24]])

out1=torch.cat([x1,x2,x3],dim=-1) #(dim=-1：横着拼接)
out2=torch.cat([x1,x2,x3],dim=1) #(dim=1：横着拼接)
out3=torch.cat([x1,x2],dim=0) #(dim=0：竖着拼接)


print(out1.shape)
print("out1:\n",out1)
print("out2:\n",out2)
print("out3:\n",out3)


========================================
输出结果
torch.Size([2, 8])
out1:  #(dim=-1：横着拼接)
 tensor([[ 1,  2,  3, 11, 12, 13, 21, 22],
        [ 4,  5,  6, 14, 15, 16, 23, 24]])
out2:  #(dim=1：横着拼接)
 tensor([[ 1,  2,  3, 11, 12, 13, 21, 22],
        [ 4,  5,  6, 14, 15, 16, 23, 24]])
out3:  #(dim=0：竖着拼接)
 tensor([[ 1,  2,  3],
        [ 4,  5,  6],
        [11, 12, 13],
        [14, 15, 16]])

注意：竖着拼接的两个数据的维度需要相同；dim=-1 和dim=1的效果是相同的。

在paddle中：

paddle.concat(x, axis=0, name=None)：对输入沿参数 axis 轴进行拼接，返回一个新的 Tensor。

参数：x一般是list或者tuple类型的数据

• x (list|tuple) - 待联结的 Tensor list 或者 Tensor tuple，支持的数据类型为：bool、float16、float32、float64、int32、int64、uint8， x 中所有 Tensor 的数据类型应该一致。

• axis (int|Tensor，可选) - 指定对输入 x 进行运算的轴，可以是整数或者形状为[1]的 Tensor，数据类型为 int32 或者 int64。 axis 的有效范围是 [-R, R)，R 是输入 x 中 Tensor 的维度，axis 为负值时与 axis+R 等价。默认值为 0。

• name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

例子：

import paddle

x1 = paddle.to_tensor([[1, 2, 3],
                       [4, 5, 6]])
x2 = paddle.to_tensor([[11, 12, 13],
                       [14, 15, 16]])
x3 = paddle.to_tensor([[21, 22],
                       [23, 24]])
zero = paddle.full(shape=[1], dtype='int32', fill_value=0)


out1 = paddle.concat(x=[x1, x2, x3], axis=-1) #（-1：横着拼接） -1和 1都是横着拼接
out2 = paddle.concat(x=[x1, x2], axis=0) # (0 :竖着拼接：)
out3 = paddle.concat(x=[x1, x2], axis=zero)

# out1
# [[ 1  2  3 11 12 13 21 22]    #（-1：横着拼接）
#  [ 4  5  6 14 15 16 23 24]]   
# out2 out3     # (0 :竖着拼接：)
# [[ 1  2  3]
#  [ 4  5  6]
#  [11 12 13]
#  [14 15 16]]