1. 字面理解：torch.cat是將兩個張量（tensor）拼接在一起，cat是concatnate的意思，即拼接，聯系在一起。

2. 例子理解
   

import torch
A=torch.ones(2,3) #2x3的張量（矩陣）
A
tensor([[ 1., 1., 1.],
[ 1., 1., 1.]])
B=2torch.ones(4,3)#4x3的張量（矩陣）
B
tensor([[ 2., 2., 2.],
[ 2., 2., 2.],
[ 2., 2., 2.],
[ 2., 2., 2.]])
C=torch.cat((A,B),0)#按維數0（行）拼接
C
tensor([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 2., 2., 2.],
[ 2., 2., 2.],
[ 2., 2., 2.],
[ 2., 2., 2.]])
C.size()
torch.Size([6, 3])
D=2torch.ones(2,4) #2x4的張量（矩陣）
C=torch.cat((A,D),1)#按維數1（列）拼接
C
tensor([[ 1., 1., 1., 2., 2., 2., 2.],
[ 1., 1., 1., 2., 2., 2., 2.]])
C.size()
torch.Size([2, 7])

上面給出了兩個張量A和B，分別是2行3列，4行3列。即他們都是2維張量。因為只有兩維，這樣在用torch.cat拼接的時候就有兩種拼接方式：按行拼接和按列拼接。即所謂的維數0和維數1.

C=torch.cat((A,B),0)就表示按維數0（行）拼接A和B，也就是豎著拼接，A上B下。此時需要注意：列數必須一致，即維數1數值要相同，這里都是3列，方能列對齊。拼接后的C的第0維是兩個維數0數值和，即2+4=6.

C=torch.cat((A,B),1)就表示按維數1（列）拼接A和B，也就是橫著拼接，A左B右。此時需要注意：行數必須一致，即維數0數值要相同，這里都是2行，方能行對齊。拼接后的C的第1維是兩個維數1數值和，即3+4=7.

從2維例子可以看出，使用torch.cat((A,B),dim)時，除拼接維數dim數值可不同外其余維數數值需相同，方能對齊。

3.實例

在深度學習處理圖像時，常用的有3通道的RGB彩色圖像及單通道的灰度圖。張量size為cxhxw,即通道數x圖像高度x圖像寬度。在用torch.cat拼接兩張圖像時一般要求圖像大小一致而通道數可不一致，即h和w同，c可不同。當然實際有3種拼接方式，另兩種好像不常見。比如經典網絡結構：U-Net

里面用到4次torch.cat,其中copy and crop操作就是通過torch.cat來實現的。可以看到通過上采樣（up-conv 2x2）將原始圖像h和w變為原來2倍，再和左邊直接copy過來的同樣h,w的圖像拼接。這樣做，可以有效利用原始結構信息。

4.總結

使用torch.cat((A,B),dim)時，除拼接維數dim數值可不同外其余維數數值需相同，方能對齊。

總結

以上是生活随笔為你收集整理的PyTorch的torch.cat的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。