tf.concat

Объединяет тензоры по одному измерению.

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

См. также tf.tile, tf.stack, tf.repeat.

Объединяет список тензоров values по размерности axis. Если values[i].shape = [D0, D1, ... Daxis(i), ...Dn], полученный результат объединения имеет форму

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

где

Raxis = sum(Daxis(i))

То есть данные из входных тензоров объединяются вдоль размерности axis.

Количество измерений входных тензоров должно совпадать, а 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)
<tf.Tensor: shape=(4, 3), dtype=int32, numpy=
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]], dtype=int32)>

tf.concat([t1, t2], 1)
<tf.Tensor: shape=(2, 6), dtype=int32, numpy=
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]], dtype=int32)>

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

Например:

t1 = [[[1, 2], [2, 3]], [[4, 4], [5, 3]]]
t2 = [[[7, 4], [8, 4]], [[2, 10], [15, 11]]]
tf.concat([t1, t2], -1)
<tf.Tensor: shape=(2, 2, 4), dtype=int32, numpy=
  array([[[ 1,  2,  7,  4],
          [ 2,  3,  8,  4]],
         [[ 4,  4,  2, 10],
          [ 5,  3, 15, 11]]], dtype=int32)>

Примечание: Если вы объединяете по новому осям, рассмотрите использование stack. Например:

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

можно переписать как

tf.stack(tensors, axis=axis)