TUTORIALAI & dataFETCHED
PyTorch torch.cat 函数
PyTorch torch.cat 函数 Pytorch torch 参考手册 torch.cat 是 PyTorch 中用于沿指定维度连接多个张量的函数。它会将多个张量沿指定维度拼接成一个更大的张量。 这是深度学习中非常常用的操作，例如在连接特征图、拼接数据批次等场景。 函数定义 torch.cat(tensors, dim=0, out=None) 参数: tensors (Sequence of Tensor):..
Updated 7/16/2026
Tutorial detail pages default to noindex.
PyTorch torch.cat 函数
Pytorch torch 参考手册torch.cat 是 PyTorch 中用于沿指定维度连接多个张量的函数。它会将多个张量沿指定维度拼接成一个更大的张量。
这是深度学习中非常常用的操作，例如在连接特征图、拼接数据批次等场景。
函数定义
torch.cat(tensors, dim=0, out=None)
参数:
tensors(Sequence of Tensor): 要连接的张量序列。所有张量必须在除连接维度外的其他维度上形状相同。dim(int, 可选): 连接的维度，默认为 0。out(Tensor, 可选): 输出张量。
返回值:
torch.Tensor: 返回连接后的张量。
使用示例
示例 1: 沿第一维度连接
实例
import torch
# 创建两个张量
a = torch.randn(2, 3)
b = torch.randn(2, 3)
# 沿第一维度（行）连接
c = torch.cat([a, b], dim=0)
print("a 的形状:", a.shape)
print("b 的形状:", b.shape)
print("c 的形状:", c.shape)
print(c)
# 创建两个张量
a = torch.randn(2, 3)
b = torch.randn(2, 3)
# 沿第一维度（行）连接
c = torch.cat([a, b], dim=0)
print("a 的形状:", a.shape)
print("b 的形状:", b.shape)
print("c 的形状:", c.shape)
print(c)
输出结果为：
a 的形状: torch.Size([2, 3])
b 的形状: torch.Size([2, 3])
c 的形状: torch.Size([4, 3])
tensor([[ 0.2532, 0.3643, 0.5341],
[ 0.9578, 0.9086, -0.2847],
[-0.7108, -0.0142, 0.7168],
[-0.1542, -0.9841, -1.4945]])
示例 2: 沿第二维度连接
实例
import torch
# 创建两个张量
a = torch.randn(2, 3)
b = torch.randn(2, 4)
# 沿第二维度（列）连接
c = torch.cat([a, b], dim=1)
print("a 的形状:", a.shape)
print("b 的形状:", b.shape)
print("c 的形状:", c.shape)
# 创建两个张量
a = torch.randn(2, 3)
b = torch.randn(2, 4)
# 沿第二维度（列）连接
c = torch.cat([a, b], dim=1)
print("a 的形状:", a.shape)
print("b 的形状:", b.shape)
print("c 的形状:", c.shape)
输出结果为：
a 的形状: torch.Size([2, 3]) b 的形状: torch.Size([2, 4]) c 的形状: torch.Size([2, 7])
示例 3: 连接多个张量
实例
import torch
# 创建多个张量
a = torch.tensor([1, 2])
b = torch.tensor([3, 4])
c = torch.tensor([5, 6])
# 连接多个张量
result = torch.cat([a, b, c])
print(result)
# 创建多个张量
a = torch.tensor([1, 2])
b = torch.tensor([3, 4])
c = torch.tensor([5, 6])
# 连接多个张量
result = torch.cat([a, b, c])
print(result)
输出结果为：
tensor([1, 2, 3, 4, 5, 6]) </p> <h3>示例 4: 在神经网络中拼接特征</h3> <div class="example"> <h2 class="example">实例</h2> <div class="example_code"> <span style="color: Green;font-weight:bold;">import</span> torch<br /> <br /> <span style="color: #a50"># 模拟来自不同层的特征图</span><br /> feature1 <span style="color: Gray;">=</span> torch.<span style="color: #05a;">randn</span><span style="color: Olive;">(</span><span style="color: Maroon;">1</span><span style="color: Gray;">,</span> <span style="color: Maroon;">64</span><span style="color: Gray;">,</span> <span style="color: Maroon;">32</span><span style="color: Gray;">,</span> <span style="color: Maroon;">32</span><span style="color: Olive;">)</span> <span style="color: #a50"># 来自第一层的特征</span><br /> feature2 <span style="color: Gray;">=</span> torch.<span style="color: #05a;">randn</span><span style="color: Olive;">(</span><span style="color: Maroon;">1</span><span style="color: Gray;">,</span> <span style="color: Maroon;">128</span><span style="color: Gray;">,</span> <span style="color: Maroon;">32</span><span style="color: Gray;">,</span> <span style="color: Maroon;">32</span><span style="color: Olive;">)</span> <span style="color: #a50"># 来自第二层的特征</span><br /> <br /> <span style="color: #a50"># 在通道维度（dim=1）拼接特征</span><br /> combined <span style="color: Gray;">=</span> torch.<span style="color: #05a;">cat</span><span style="color: Olive;">(</span><span style="color: Olive;">[</span>feature1<span style="color: Gray;">,</span> feature2<span style="color: Olive;">]</span><span style="color: Gray;">,</span> dim<span style="color: Gray;">=</span><span style="color: Maroon;">1</span><span style="color: Olive;">)</span><br /> <br /> <span style="color: Green;font-weight:bold;">print</span><span style="color: Olive;">(</span><span style="color: #a11;">"特征1 形状:"</span><span style="color: Gray;">,</span> feature1.<span style="color: #05a;">shape</span><span style="color: Olive;">)</span><br /> <span style="color: Green;font-weight:bold;">print</span><span style="color: Olive;">(</span><span style="color: #a11;">"特征2 形状:"</span><span style="color: Gray;">,</span> feature2.<span style="color: #05a;">shape</span><span style="color: Olive;">)</span><br /> <span style="color: Green;font-weight:bold;">print</span><span style="color: Olive;">(</span><span style="color: #a11;">"拼接后形状:"</span><span style="color: Gray;">,</span> combined.<span style="color: #05a;">shape</span><span style="color: Olive;">)</span><br /> </div> </div> <p>输出结果为：</p> <pre> 特征1 形状: torch.Size([1, 64, 32, 32]) 特征2 形状: torch.Size([1, 128, 32, 32]) 拼接后形状: torch.Size([1, 192, 32, 32])
在神经网络中，torch.cat 常用于特征金字塔（FPN）等结构中融合不同层的特征。
torch.cat 与 torch.stack 的区别
torch.cat: 沿现有维度连接，张量形状会在连接维度上相加。torch.stack: 沿新维度堆叠，会增加一个新的维度。
实例
import torch
a = torch.randn(2, 3)
b = torch.randn(2, 3)
# cat 和 stack 的区别
cat_result = torch.cat([a, b], dim=0)
stack_result = torch.stack([a, b], dim=0)
print("cat 结果形状:", cat_result.shape) # (4, 3)
print("stack 结果形状:", stack_result.shape) # (2, 2, 3)
a = torch.randn(2, 3)
b = torch.randn(2, 3)
# cat 和 stack 的区别
cat_result = torch.cat([a, b], dim=0)
stack_result = torch.stack([a, b], dim=0)
print("cat 结果形状:", cat_result.shape) # (4, 3)
print("stack 结果形状:", stack_result.shape) # (2, 2, 3)