AE-LSTM中如何拼接LSTM输出张量与特征向量得到[b,t,dl+da]形状？

这是时序建模里非常常见的特征拼接需求，我来给你详细拆解实现步骤，不管你用PyTorch还是TensorFlow都能搞定～

核心思路 #

要把形状为[b, da]的特征向量拼接到[b, t, dl]的LSTM输出每个时间步上，关键是把特征向量扩展出时间步维度，让它变成[b, t, da]，这样两个张量的维度就完全匹配，最后在特征维度（最后一维）拼接即可。

PyTorch实现（推荐用expand节省内存） #

PyTorch里可以用unsqueeze先给特征向量加一个时间步维度，再用expand把这个维度扩展到和LSTM输出一致的长度——expand不会复制数据，比repeat更高效，能节省显存：

import torch

# 模拟输入数据：batch=32，时间步t=10，LSTM特征维度dl=64，额外特征维度da=32
lstm_out = torch.randn(32, 10, 64)  # 形状[b, t, dl]
feat_vec = torch.randn(32, 32)      # 形状[b, da]

# 1. 给特征向量添加时间步维度，变成[b, 1, da]
feat_expanded = feat_vec.unsqueeze(1)
# 2. 扩展时间步维度到t长度，得到[b, t, da]
# 这里的-1表示保持原维度大小，不用手动写死t的值
feat_expanded = feat_expanded.expand(-1, lstm_out.size(1), -1)

# 3. 在最后一维拼接两个张量
final_tensor = torch.cat([lstm_out, feat_expanded], dim=-1)

# 验证形状：应该是[32, 10, 64+32=96]
print(final_tensor.shape)  # 输出: torch.Size([32, 10, 96])

TensorFlow实现 #

TensorFlow里的思路类似，用expand_dims加维度，再用tile或者repeat扩展时间步：

import tensorflow as tf

# 模拟输入数据
lstm_out = tf.random.normal((32, 10, 64))  # [b, t, dl]
feat_vec = tf.random.normal((32, 32))      # [b, da]

# 1. 添加时间步维度，变成[b, 1, da]
feat_expanded = tf.expand_dims(feat_vec, axis=1)
# 2. 扩展时间步到t长度，得到[b, t, da]
feat_expanded = tf.tile(feat_expanded, [1, tf.shape(lstm_out)[1], 1])

# 3. 拼接张量
final_tensor = tf.concat([lstm_out, feat_expanded], axis=-1)

# 验证形状
print(final_tensor.shape)  # 输出: (32, 10, 96)

内容的提问来源于stack exchange，提问作者user9689925