Python 为什么我要使用tf.concat而不是tf.stack？

是否有充分的理由使用

tf.concat

而不是

tf.stack

？他们看起来很相似。这只是为了保证生成的张量与输入的张量列表具有相同的维数吗？

实际上，我误解了

tf.stack

的工作原理。如果

轴

参数在现有尺寸范围内，将在该索引处插入一个新轴

例如：

import tensorflow as tf

t1 = tf.random_normal([1, 3])
t2 = tf.random_normal([1, 3])

tf.stack([t1, t2], axis=1).shape.as_list() == [1, 2, 3]
tf.concat([t1, t2], axis=1).shape.as_list() == [1, 6]

---

有没有一种方法可以以某种方式使用tf.concat（）并模仿tf.stack的行为？@skadaver我认为在这样一个旧答案中添加这种类型的注释不是一种好的做法。但你的问题的答案是肯定的。tf.concat仅适用于现有维度，而tf.stack创建新维度。您可以使用tf.expand_dims预先创建大小为1的“额外”维度，然后在该特定维度上使用tf.concat。