torch.stack 是 PyTorch 中用于将一系列张量沿一个新的维度堆叠的函数。与 torch.cat 不同的是，torch.stack会在指定的维度上增加一个新的维度，而不是将张量直接拼接。

基本用法

语法：

torch.stack(tensors, dim=0)

• tensors: 一个张量列表，包含多个形状相同的张量（shape 必须相同）。
• dim: 新增维度的位置，默认是 0。

举例说明

假设有三个形状为 (2, 3) 的张量：

import torch

a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([[7, 8, 9], [10, 11, 12]])
c = torch.tensor([[13, 14, 15], [16, 17, 18]])

沿 dim=0 堆叠

stacked = torch.stack([a, b, c], dim=0)
print(stacked.shape)  # torch.Size([3, 2, 3])

• 在维度 0 上增加一个新的维度，原始的 (2, 3) 形状变成 (3, 2, 3)。
• stacked 的第 0 维度有 3 个元素，对应原来的 a, b, c 张量。

沿 dim=1 堆叠

stacked = torch.stack([a, b, c], dim=1)
print(stacked.shape)  # torch.Size([2, 3, 3])

• 新的维度插入到原第 1 维的位置。
• stacked 的第 1 维度有 3 个元素，对应原来的 a, b, c 张量。

沿 dim=2 堆叠

stacked = torch.stack([a, b, c], dim=2)
print(stacked.shape)  # torch.Size([2, 3, 3])

• 新的维度插入到原第 2 维的位置，形状变为 (2, 3, 3)。

torch.stack 的形状变化总结

假设堆叠前的每个张量形状是 (A, B, C)，在 dim=0、dim=1 和 dim=2 堆叠后的形状分别为：

• dim=0: (N, A, B, C)
• dim=1: (A, N, B, C)
• dim=2: (A, B, N, C)

其中 N 是堆叠的张量数量。

和torch.cat函数的区别：

cat：在指定维度拼接多个张量。不增加维度。

c1 = torch.tensor([[1, 2], [3, 4]])
c2 = torch.tensor([[5, 6], [7, 8]])
c_cat = torch.cat([c1, c2], dim=0)  # shape (4, 2)