在进行多目标联合训练时，除了共享一部分网络结构的输出外，也可以使用拆分张量的方法实现网络中张量流的拆分。相反，在联合训练时，通过合并不同层而共享同一个 loss function也可以为网络结构的搭建带来便利，以下介绍网络中张量拼接 / 拆分操作的几种方法：
按维度拼接 concat
tf.concat([a, b], axis=0)
顾名思义，类似于 np.concatenate，将[a,b]两个张量由 axis 方向合并。
Tips: 在进行tensor拼接时，因为数据来源的不同，可能出现因为数据类型不同无法拼接的情况，可以使用：
tensor = tf.convert_to_tensor(data, dtype=tf.float32)
对数据类型进行指定转换，之后再进行拼接操作。
此外，对于不同的图片训练集或其他同类训练集，拼接往往发生在第 $0$ 个维度，即tf.concat([a, b], axis=0)。
堆叠 stack
tf.stack([a, b], axis=0)
与 tf.concat 的指定维度扩增不同，tf.stack会在 axis 位置新增一个维度，从而实现两个张量的拼接。
拆分 unstack
tf.unstack(a, axis=0)
与 tf.stack 相反的，tf.unstack 则是将张量 a 按照 axis 方向拆分，返回值大多为多个张量，注意接收。