np.stack/tf.stack-np.concatenate/tf.concat-tf.unstack

stack函数

NumPy和TensorFlow都有stack函数，该函数主要是用来提升维度。

import numpy as np
import tensorflow as tf
np.stack(arrays, axis=0)
tf.stack(arrays, axis=0)

假设要转变的张量数组arrays的长度为N，其中的每个张量数组的形状为(A, B, C)。如果轴axis=0，则转变后的张量形状为(N, A, B, C)；如果轴axis=1，则转变后的张量形状为( A, N, B, C)；如果轴axis=2，则转变后的张量形状为( A, B, N, C)；其他情况依次类推。

import numpy as np
import tensorflow as tf
a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([[7, 8, 9], [10, 11, 12]])
a
Out[6]: 
array([[1, 2, 3],
       [4, 5, 6]])
b
Out[7]: 
array([[ 7,  8,  9],
       [10, 11, 12]])
a.shape
Out[8]: (2, 3)
b.shape
Out[9]: (2, 3)
np.stack([a, b], axis=0)
Out[10]: 
array([[[ 1,  2,  3],
        [ 4,  5,  6]],
       [[ 7,  8,  9],
        [10, 11, 12]]])
np.stack([a, b], axis=1)
Out[11]: 
array([[[ 1,  2,  3],
        [ 7,  8,  9]],
       [[ 4,  5,  6],
        [10, 11, 12]]])
np.stack([a, b], axis=2)
Out[12]: 
array([[[ 1,  7],
        [ 2,  8],
        [ 3,  9]],
       [[ 4, 10],
        [ 5, 11],
        [ 6, 12]]])

sess = tf.Session()
sess.run(tf.global_variables_initializer())
st_0 = tf.stack([a, b], axis=0)
st_0 = sess.run(st_0)
print(st_0)
[[[ 1  2  3]
  [ 4  5  6]]
 [[ 7  8  9]
  [10 11 12]]]
print(st_0.shape)
(2, 2, 3)
st_1 = tf.stack([a, b], axis=1)
st_1 = sess.run(st_1)
st_1
Out[21]: 
array([[[ 1,  2,  3],
        [ 7,  8,  9]],
       [[ 4,  5,  6],
        [10, 11, 12]]])
st_1.shape
Out[22]: (2, 2, 3)
st_2 = tf.stack([a, b], axis=2)
st_2 = sess.run(st_2)
st_2
Out[24]: 
array([[[ 1,  7],
        [ 2,  8],
        [ 3,  9]],
       [[ 4, 10],
        [ 5, 11],
        [ 6, 12]]])
st_2.shape
Out[25]: (2, 3, 2)

concatenate/concat函数

tf.concat相当于numpy中的np.concatenate函数，用于将两个张量在某一个维度(axis)合并起来concatenate/concat函数不会增加维度。只在axis指定的维度上进行拼接。

np.concatenate([a, b], axis=0)
Out[26]: 
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])
np.concatenate([a, b], axis=1)
Out[27]: 
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])

ct_0 = tf.concat([a, b], axis=0)
ct_0 = sess.run(ct_0)
ct_0
Out[31]: 
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])
ct_0.shape
Out[32]: (4, 3)
ct_1 = tf.concat([a, b], axis=1)
ct_1 = sess.run(ct_1)
ct_1
Out[37]: 
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])
ct_1.shape
Out[38]: (2, 6)

unstack函数

tf.unstack与tf.stack的操作相反，是将一个高阶数的张量在某个axis上分解为低阶数的张量。

a = tf.constant([[1,2,3],[3,4,5]]) # shape (2,3)
b = tf.constant([[7,8,9],[10,11,12]]) # shape (2,3)
ab = tf.stack([a,b], axis=0) # shape (2,2,3)

a1 = tf.unstack(ab, axis=0)
[<tf.Tensor 'unstack_1:0' shape=(2, 3) dtype=int32>,
 <tf.Tensor 'unstack_1:1' shape=(2, 3) dtype=int32>]

参考资料
np.stack() 与 tf.stack() 的简单理解
tf.stack() 详解 —》理解为主
tf.concat与tf.stack（仅个人理解）
tf.concat, tf.stack和tf.unstack的用法