torch.stack(dim=1)与torch.hstack对一维张量操作的差异疑问

先明确实验基础：
定义一维张量t1：

t1 = torch.arange(1.,10.)
# 输出：(tensor([1., 2., 3., 4., 5., 6., 7., 8., 9.]), torch.Size([9]))

1. torch.stack的本质：新增维度后堆叠 #

torch.stack([t1,t1,t1], dim=1)的核心逻辑是先给每个输入张量新增一个维度，再在指定维度上拼接：

• 原t1是1维（shape [9]），stack操作会先把每个t1扩展为2维（shape [9,1]）
• 然后在dim=1这个新增维度上拼接三个[9,1]的张量，最终得到shape [9,3]的2维张量
• 表现为原张量的每个元素对应一行，三个t1的相同位置元素组成列：

tensor([[1., 1., 1.],
        [2., 2., 2.],
        [3., 3., 3.],
        [4., 4., 4.],
        [5., 5., 5.],
        [6., 6., 6.],
        [7., 7., 7.],
        [8., 8., 8.],
        [9., 9., 9.]])

2. torch.hstack的本质：在已有维度上直接拼接 #

torch.hstack([t1,t1,t1])的核心是在水平方向（最后一个维度）直接拼接已有维度，不会新增维度：

• 对于1维张量，水平拼接就是把三个长度为9的张量首尾相接，最终得到长度为9*3=27的1维张量
• 表现为三个t1的元素依次连续排列：

tensor([1., 2., 3., 4., 5., 6., 7., 8., 9., 1., 2., 3., 4., 5., 6., 7., 8., 9.,
        1., 2., 3., 4., 5., 6., 7., 8., 9.])

核心区别总结 #

• torch.stack：要求所有输入张量形状完全相同，操作后增加一个维度，把多个同形状张量组合成更高维结构
• torch.hstack：要求除拼接维度外其他维度形状一致，操作后维度数不变，仅对应维度的长度增加

内容的提问来源于stack exchange，提问作者Hemanthsai