1. cat

torch.cat(tensors, dim=0, *, out=None) → Tensor
在指定维度上，连接给定tensor序列或empty，除连接的dimension外，所有得的ensor必须有相同的shape
参数：
tensors-具有相同类型的tensor序列，非empty tensor必须具有相同的shape，连接的dimension除外
dim-指定的连接的维度
输出：
连接后的tensor

上图分别是在列和行两个维度连接后的结果

2. stack

创建新维度来连接张量序列

torch.stack(tensors, dim=0, *, out=None) → Tensor

参数：
tensors-张量序列，具有相同的size
dim-插入的新维度，必须介于0和连接的tensor的维度之间
输出：
连接后的tensor

注意：cat和stack的区别
stack连接的tensor必须具有相同的size，否则报错，cat是除连接的维度外，其他维度shape必须相同
如下示例：

3. split

把一个tensor切分成块，每个块是原tensor的一部分

torch.split(tensor, split_size_or_sections, dim=0)

参数：
tensor-用来切分的tensor
split_size_or_sections (int) or (list(int)) -单个块的size后者是每个块size的list
dim (int) – 以tensor的哪个维度进行切分
输出：
Tuple[Tensor, …]

示例：

4. chunk

强制将一个tensor切分成指定数量的块，每个块是原tensor的一部分

torch.chunk(input, chunks, dim=0) → List of Tensors

参数：
input (Tensor) – 输入切分的tensor
chunks (int) – 切分块的数量
dim (int) – 以tensor的哪个维度进行切分
输出：
切分后的list

示例：

注意：split与chunk的区别
区别主要是第二个参数，split第二个参数切分块的size，而chunk是切分块的数量