torch.cat?和?torch.stack?是 PyTorch 中用于組合張量的兩個常用函數，它們的核心區別在于輸入張量的維度和輸出張量的維度變化。以下是詳細對比：

1.?torch.cat?(Concatenate)

• 作用：沿現有維度拼接多個張量，不創建新維度

• 輸入要求：所有張量的形狀必須除拼接維度外完全相同。

• 語法：

  torch.cat(tensors, dim=0)  # dim 指定拼接的維度

• 示例：

  a = torch.tensor([[1, 2], [3, 4]])  # shape (2, 2)
  b = torch.tensor([[5, 6]])           # shape (1, 2)# 沿 dim=0 拼接（行方向）
  c = torch.cat([a, b], dim=0)
  print(c)
  # tensor([[1, 2],
  #         [3, 4],
  #         [5, 6]])  # shape (3, 2)

• 特點：

  • 拼接后的張量在指定維度上的大小是輸入張量該維度大小的總和。

  • 其他維度必須完全一致。

2. torch.stack

• 作用：沿新維度堆疊多個張量，創建新維度。

• 輸入要求：所有張量的形狀必須完全相同。

• 語法：

  torch.stack(tensors, dim=0)  # dim 指定新維度的位置

• 示例：

  a = torch.tensor([1, 2])  # shape (2,)
  b = torch.tensor([3, 4])  # shape (2,)# 沿新維度 dim=0 堆疊
  c = torch.stack([a, b], dim=0)
  print(c)
  # tensor([[1, 2],
  #         [3, 4]])  # shape (2, 2)# 沿新維度 dim=1 堆疊
  d = torch.stack([a, b], dim=1)
  print(d)
  # tensor([[1, 3],
  #         [2, 4]])  # shape (2, 2)

• 特點：

  • 輸出張量比輸入張量多一個維度。

  • 適用于將多個相同形狀的張量合并為批次（如?batch_size?維度）。

3. 關鍵區別總結

4. 直觀對比示例

假設有兩個張量：

x = torch.tensor([1, 2])  # shape (2,)
y = torch.tensor([3, 4])  # shape (2,)

torch.cat?結果：

torch.cat([x, y], dim=0)  # tensor([1, 2, 3, 4]), shape (4,)

torch.stack?結果：

torch.stack([x, y], dim=0)  # tensor([[1, 2], [3, 4]]), shape (2, 2)

5. 如何選擇？

• 用?torch.cat?當需要擴展現有維度（如拼接多個特征圖）。

• 用?torch.stack?當需要創建新維度（如構建批次數據或堆疊不同模型的輸出）

通過理解兩者的維度變化邏輯，可以避免常見的形狀錯誤（如?size mismatch）。?