tf.concat( )和tf.stack( )

相同点：都是组合重构数据.

不同点：concat（）不改变维数，而stack改变了维数（待定！！！）

tf.concat是连接两个矩阵的操作，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参数用以指定该操作的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，表明在哪一维上连接

     如果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

1. t1 = [[1, 2, 3], [4, 5, 6]]
2. t2 = [[7, 8, 9], [10, 11, 12]]
3. 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]]

如果concat_dim是1，那么在某一个shape的第二个维度上连

1. t1 = [[1, 2, 3], [4, 5, 6]]
2. t2 = [[7, 8, 9], [10, 11, 12]]
3. 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

如果有更高维，最后连接的依然是指定那个维：

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

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

 

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


这里要注意的是：如果是两个向量，它们是无法调用

1. tf.concat(1, [t1, t2])

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

来连接的，因为它们对应的shape只有一个维度，当然不能在第二维上连了，虽然实际中两个向量可以在行上连，但是放在程序里是会报错的

如果要连，必须要调用tf.expand_dims来扩维：

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