纳达尔世界第一Pytorch中的torch.cat（）函数
devastate转载⾃：
1. 字⾯理解：torch.cat是将两个张量（tensor）拼接在⼀起，cat是concatnate的意思，即拼接，联系在⼀起。
2. 例⼦理解
C = torch.cat( (A,B),0 ) #按维数0拼接（竖着拼）
overcome
C = torch.cat( (A,B),1 ) #按维数1拼接（横着拼）
import torch
>>> s(2,3) #2x3的张量（矩阵）
>>> A
tensor([[ 1., 1., 1.],
[ 1., 1., 1.]])
irvine
>>> B=s(4,3) #4x3的张量（矩阵）
>>> B
tensor([[ 2., 2., 2.],
[ 2., 2., 2.],
elecom[ 2., 2., 2.],
[ 2., 2., 2.]])
>>> C=torch.cat((A,B),0) #按维数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])
focus什么意思
>>> D=s(2,4) #2x4的张量（矩阵）
>>> C=torch.cat((A,D),1)#按维数1（列）拼接
>>> C
tensor([[ 1., 1., 1., 2., 2., 2., 2.],
luyu
[ 1., 1., 1., 2., 2., 2., 2.]])
>>> C.size()
torch.Size([2, 7])
cet 99sushe com上⾯给出了两个张量A和B，分别是2⾏3列，4⾏3列。即他们都是2维张量。因为只有两维，这样在⽤torch.cat拼接的时候就有两种拼接⽅式：按⾏拼接和按列拼接。即所谓的维数0和维数1.
C=torch.cat((A,B),0)就表⽰按维数0（⾏）拼接A和B，也就是竖着拼接，A上B下。此时需要注意：列数必须⼀致，即维数1数值要相同，这⾥都是3列，⽅能列对齐。拼接后的C的第0维是两个维数0数值和，即2+4=6.
C=torch.cat((A,B),1)就表⽰按维数1（列）拼接A和B，也就是横着拼接，A左B右。此时需要注意：⾏数必须⼀致，即维数0数值要相同，这⾥都是2⾏，⽅能⾏对齐。拼接后的C的第1维是两个维数1数值和，即3+4=7.
从2维例⼦可以看出，使⽤torch.cat((A,B),dim)时，除拼接维数dim数值可不同外其余维数数值需相同，⽅能对齐。
3.实例
在深度学习处理图像时，常⽤的有3通道的RGB彩⾊图像及单通道的灰度图。张量size为cxhxw，即通道数x图像⾼度x图像宽度。在⽤torch.cat拼接两张图像时⼀般要求图像⼤⼩⼀致⽽通道数可不⼀致，
即h和w同，c可不同。当然实际有3种拼接⽅式，另两种好像不常见。⽐如经典⽹络结构：U-Net
⾥⾯⽤到4次torch.cat，其中copy and crop操作就是通过torch.cat来实现的。可以看到通过上采样（up-conv 2x2）将原始图像h和w变为原来2倍，再和左边直接copy过来的同样h,w的图像拼接。这样做，可以有效利⽤原始结构信息。
研究生国家分数线4.总结
使⽤torch.cat((A,B),dim)时，除拼接维数dim数值可不同外其余维数数值需相同，⽅能对齐。ap系列
