tf.concat

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

沿一维串联张量。沿着维度axis连接张量列表values。如果value[i].shape = [D0,D1, ...Daxis(i),...Dn]，连接结果的形状为:

[D0, D1, ... Raxis, ...Dn]

其中

Raxis = sum(Daxis(i))

也就是说，来自输入张量的数据是沿着轴维连接的。输入张量的维数必须匹配，除轴外的所有维数必须相等。

例:

import tensorflow as tf

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
t3=tf.concat([t1, t2], 0)  # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
t4=tf.concat([t1, t2], 1)  # [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]

# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
t3_shape = tf.shape(tf.concat([t1, t2], 0))  # [4, 3]
t4_shape = tf.shape(tf.concat([t1, t2], 1))  # [2, 6]

with tf.Session() as sess:
    print(sess.run(t3))
    print(sess.run(t4))
    print(sess.run(t3_shape))
    print(sess.run(t4_shape))


Output:
----------------------
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
[4 3]
[2 6]
----------------------

在Python中，axis也可以是负数。负的axis被解释为从秩的末尾开始计数，即，第axis + rank(values)维。

例:

import tensorflow as tf

t1 = [[[1, 2], [2, 3]], [[4, 4], [5, 3]]]
t2 = [[[7, 4], [8, 4]], [[2, 10], [15, 11]]]
t3 = tf.concat([t1, t2], -1)
t3_shape = tf.shape(t3)

with tf.Session() as sess:
    print(sess.run(t3))
    print(sess.run(t3_shape))


Output:
-----------------
[[[ 1  2  7  4]
  [ 2  3  8  4]]

 [[ 4  4  2 10]
  [ 5  3 15 11]]]
[2 2 4]
------------------

注意:如果沿着新轴进行连接，请考虑使用堆栈，如:

tf.concat([tf.expand_dims(t, axis) for t in tensors], axis)

也可以写为:

tf.stack(tensors, axis=axis)

参数：

• values:  张量对象列表或单个张量
• axis:  0-D int32张量。要连接的维度。必须在[-rank(values)， rank(values)]范围内。与Python中一样，axis的索引也是基于0的。在[0,rank(values)]范围内的正轴为第轴维数。负轴表示第axis + rank(values)维
• name:  操作的名称(可选)

返回值：

• 由输入张量串联而成的张量