tf.concat()函数解析

tf.concat的官方解释

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

其中：
values应该是一个tensor的list或者tuple，里面是准备连接的矩阵或者数组。

axis则是我们准备连接的矩阵或者数组的维度。

• axis=0代表在第0个维度拼接
• axis=1代表在第1个维度拼接
• axis=-1表示在倒数第1个维度拼接

负数在数组索引里面表示倒数，也就算是倒着数，-1是最后一个，-2是倒数第二个，对于二维矩阵拼接来说，axis=-1等价于axis=1。一般在维度非常高的情况下，if 我们想在最’高’的维度进行拼接，一般就直接用倒数机制，直接axis=-1就搞定了。

1. values:

import tensorflow as tf

t1=tf.constant([1,2,3])
t2=tf.constant([4,5,6])
print(t1)
print(t2)
concated = tf.concat([t1,t2], 1)

> Tensor("Const_20:0", shape=(3,), dtype=int32)
> Tensor("Const_21:0", shape=(3,), dtype=int32)
> ValueError: Shapes (2, 3) and () are incompatible 

因为它们对应的shape只有一个维度，当然不能在第二维上拼接了，虽然实际中两个向量可以在行上(axis = 1)拼接，但是放在程序里是会报错的

import tensorflow as tf

t1=tf.expand_dims(tf.constant([1,2,3]),1)
t2=tf.expand_dims(tf.constant([4,5,6]),1)
print(t1)
print(t2)
concated = tf.concat([t1,t2], 1)

> Tensor("ExpandDims_26:0", shape=(3, 1), dtype=int32)
> Tensor("ExpandDims_27:0", shape=(3, 1), dtype=int32)

如果想要拼接，必须要调用tf.expand_dims()来扩维：

2. axis:

第0个维度代表最外面的括号所在的维度，第1个维度代表最外层括号里面的那层括号所在的维度，以此类推。

import tensorflow as tf

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

	print(sess.run(tf.concat([t1, t2], 1)))  
>  [[ 1  2  3  7  8  9]    [ 4  5  6 10 11 12]]

	print(sess.run(tf.concat([t1, t2], -1)))  
>  [[ 1  2  3  7  8  9]    [ 4  5  6 10 11 12]]

如果不使用sess.run()运行，就会出现下面的情况：

import tensorflow as tf

t1 = [[1, 2, 3],  [4, 5, 6]]
t2 = [[7, 8, 9],  [10, 11, 12]]
w1 = print(tf.concat([t1, t2], 0))
> Tensor("concat_29:0", shape=(4, 3), dtype=int32)

w2 = print(tf.concat([t1, t2], 1)
> Tensor("concat_30:0", shape=(2, 6), dtype=int32)

w3 = print(tf.concat([t1, t2], -1))
> Tensor("concat_31:0", shape=(2, 6), dtype=int32)