TensorFlow中张量连接操作tf.concat用法详解

一、环境

TensorFlow API r1.12

CUDA 9.2 V9.2.148

Python 3.6.3

二、官方说明

按指定轴（axis）进行张量连接操作（Concatenates Tensors）

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

输入：

（1）values：多个张量组成的列表或者单个张量

（2）axis：0维整形张量（整数），定义按照按个数据轴进行张量连接操作，其范围是[-输入张量的阶，+输入张量的阶]。[0,输入张量的阶]范围内的正数表示按照指定的axis轴进行连接操作，在[-输入张量的阶,0]之间的负数表示按照指定的（axis + 输入张量的阶）的轴进行连接操作

（3）name：可选参数，定义该张量连接操作的名称

输出：

输入张量按照指定轴连接后的一个结果张量

三、实例

（1）单个张量作为输入

>>> t1 = [[1,2,3],[4,5,6]]
>>> con1 = tf.concat(t1,0)
>>> shape1 = tf.shape(con1)
>>> with tf.Session() as sess:
...     print(sess.run(con1))
...     print(sess.run(shape1))
... 
[1 2 3 4 5 6]
[6]

（2）多个张量组成的列表作为输入

按照0轴（行）进行连接：

>>> t1 = [[1,2,3],[4,5,6]]
>>> t2 = [[7,8,9],[10,11,12]]
>>> con2 = tf.concat([t1,t2],0)
>>> shape2 = tf.shape(con2)
>>> with tf.Session() as sess:
...     print(sess.run(con2))
...     print(sess.run(shape2))
... 
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
[4 3]

按照1轴（列）进行连接：

>>> t1 = [[1,2,3],[4,5,6]]
>>> t2 = [[7,8,9],[10,11,12]]
>>> con3 = tf.concat([t1,t2],1)
>>> shape3 = tf.shape(con3)
>>> with tf.Session() as sess:
...     print(sess.run(con3))
...     print(sess.run(shape3))
... 
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
[2 6]
>>> 

按照-1轴（列）进行连接：

>>> t1 = [[1,2,3],[4,5,6]]
>>> t2 = [[7,8,9],[10,11,12]]
>>> con4 = tf.concat([t1,t2],-1)
>>> shape4 = tf.shape(con4)
>>> with tf.Session() as sess:
...     print(sess.run(con4))
...     print(sess.run(shape4))
... 
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
[2 6]

注意：如果想沿着一个新轴连接张量，则考虑使用stcak

不建议使用：tf.concat([tf.expand_dims(t, axis) for t in tensors],axis)

推荐使用：tf.stack(tensors, axis=axis)