tf.concat

Объединяет тензоры вдоль одного измерения.

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

Объединяет список тензоров values вдоль измерения axis. Если values[i].shape = [D0, D1, ... Daxis(i), ...Dn], объединенный результат имеет форму

[D0, D1, ... Raxis, ...Dn]

где

Raxis = sum(Daxis(i))

То есть данные из входных тензоров соединяются вдоль axis измерения.

Число измерений входных тензоров должно совпадать, и все измерения, кроме axis , должны быть равны.

Например:

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0)  # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 1)  # [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]

# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
tf.shape(tf.concat([t3, t4], 0))  # [4, 3]
tf.shape(tf.concat([t3, t4], 1))  # [2, 6]

Как и в Python, axis могут также быть отрицательными числами. Отрицательные axis интерпретируются как счет от конца ранга, т.е. axis + rank(values)-ое измерение.

Например:

t1 = [[[1, 2], [2, 3]], [[4, 4], [5, 3]]]
t2 = [[[7, 4], [8, 4]], [[2, 10], [15, 11]]]
tf.concat([t1, t2], -1)

что даст:

[[[ 1,  2,  7,  4],
  [ 2,  3,  8,  4]],

 [[ 4,  4,  2, 10],
  [ 5,  3, 15, 11]]]

Примечание: Если вы конкатенируете вдоль нового ося, используйте функцию stack. Например:

tf.concat([tf.expand_dims(t, axis) for t in tensors], axis)

можно переписать как

tf.stack(tensors, axis=axis)