一、環境

TensorFlow API r1.12

CUDA 9.2 V9.2.148

Python 3.6.3

二、官方說明

按指定軸（axis）進行張量連線操作（Concatenates Tensors）

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

輸入：

（1）values：多個張量組成的列表或者單個張量

（2）axis：0維整形張量（整數），定義按照按個數據軸進行張量連線操作，其範圍是[-輸入張量的階，+輸入張量的階]。[0,輸入張量的階]範圍內的正數表示按照指定的axis軸進行連線操作，在[-輸入張量的階,0]之間的負數表示按照指定的（axis + 輸入張量的階）的軸進行連線操作

（3）name：可選引數，定義該張量連線操作的名稱

輸出：

輸入張量按照指定軸連線後的一個結果張量

三、例項

（1）單個張量作為輸入

>>> 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）多個張量組成的列表作為輸入

按照0軸（行）進行連線：

>>> 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軸（列）進行連線：

>>> 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軸（列）進行連線：

>>> 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：如果想沿著一個新軸連線張量，則考慮使用stcak

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

推薦使用：tf.stack(tensors, axis=axis)