文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.mint.cat

mindspore.mint.cat(tensors, dim=0)

在指定维度上拼接输入Tensor。

输入的是一个tuple或list。其元素秩相同，即 $R$ 。将给定的维度设为 $m$ ，并且 $0\le m<R$ 。输入元素的数量设为 $N$ 。对于第 $i$ 个数据， $t_i$ 的shape为 $(x_1,x_2,...,x_{mi},...,x_R)$ 。 $x_{mi}$ 是第 $t_i$ 个元素的第 $m$ 个维度。则，输出Tensor的shape为：

$$(x_1,x_2,...,\sum _{i=1}^N{x}_{mi},...,x_R)$$

参数：

• tensors (Union[tuple, list]) - 输入为Tensor组成的tuple或list。假设在这个tuple或list中有两个Tensor，即 t1 和 t2 。要在第0个维度方向上执行 cat ，除第 $0$ 维度外，其他维度的shape都应相等，即 $t1.shape[1]=t2.shape[1],t1.shape[2]=t2.shape[2],...,t1.shape[R-1]=t2.shape[R-1]$ ，其中 $R$ 是Tensor的秩。

• dim (int) - 表示指定的维度，取值范围是 $[-R,R)$ 。默认值： 0 。

返回：

Tensor，shape为 $(x_1,x_2,...,\sum _{i=1}^N{x}_{mi},...,x_R)$ 。数据类型与 tensors 相同。

异常：

• TypeError - dim 不是int。

• ValueError - tensors 是不同维度的Tensor。

• ValueError - dim 的值不在区间 $[-R,R)$ 内。

• ValueError - 除了 dim 之外， tensors 的shape不相同。

• ValueError - tensors 为空tuple或list。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore import mint
>>> input_x1 = Tensor(np.array([[0, 1], [2, 1]]).astype(np.float32))
>>> input_x2 = Tensor(np.array([[0, 1], [2, 1]]).astype(np.float32))
>>> output = mint.cat((input_x1, input_x2))
>>> print(output)
[[0. 1.]
 [2. 1.]
 [0. 1.]
 [2. 1.]]
>>> output = mint.cat((input_x1, input_x2), 1)
>>> print(output)
[[0. 1. 0. 1.]
 [2. 1. 2. 1.]]