区别

  先说结论：没有区别在功能、用法以及作用上，concat函数就是cat函数的别名（官方就是这样说的）。下面截图为证：
  因此接下来就主要是介绍 torch.cat 函数的功能和用法。

torch.cat介绍

参考🔗：link

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

作用

  将给定序列的张量在给定维度上连接起来。所有张量必须具有相同的形状（除了连接维度之外），或者是一个尺寸为（0，）的一维空张量。
Concatenates the given sequence of seq tensors in the given dimension. All tensors must either have the same shape (except in the concatenating dimension) or be a 1-D empty tensor with size (0,)

参数

• 第一个参数 tensors ：除了要连接的维度外，其他维度的形状都要相同的张量。tensors: Tuple[Tensor, …] | List[Tensor]。写法可以是（x, x, x）or [x, x, x]。
• 第二个参数 dim：（int, optiona）指定的连接的维度,可选，默认就是 dim=0，表示水平方向上拼接，即行拼接。这个参数可以是整数，负数，0，以及没有。
• 其他参数不用管。

使用实例

import torch
x = torch.randn(2, 3)
x
# 输出
tensor([[ 1.3524,  0.7867, -0.1423],
        [ 1.1235,  0.0221, -0.5478]])

dim=0 表示水平方向的拼接，也就说从shape(2, 3) -> shape(6, 3)：

y = torch.cat([x, x, x], dim=0)
y
# 输出
tensor([[ 1.3524,  0.7867, -0.1423],
        [ 1.1235,  0.0221, -0.5478],
        [ 1.3524,  0.7867, -0.1423],
        [ 1.1235,  0.0221, -0.5478],
        [ 1.3524,  0.7867, -0.1423],
        [ 1.1235,  0.0221, -0.5478]])

dim=1表示：

z = torch.cat((x, x, x), dim=1)
z
# 输出
tensor([[ 1.3524,  0.7867, -0.1423,  1.3524,  0.7867, -0.1423,  1.3524,  0.7867, -0.1423],
        [ 1.1235,  0.0221, -0.5478,  1.1235,  0.0221, -0.5478,  1.1235,  0.0221, -0.5478]])

重点关注一下 ， dim=-1：

xy = torch.cat((x, x, x), dim=-1)
xy
# 输出
tensor([[ 1.3524,  0.7867, -0.1423,  1.3524,  0.7867, -0.1423,  1.3524,  0.7867, -0.1423],
        [ 1.1235,  0.0221, -0.5478,  1.1235,  0.0221, -0.5478,  1.1235,  0.0221, -0.5478]])

  没错 dim=-1的结果和dim=1的结果是一致的，但是我要说一下dim=-1表示的是最后一个维度，所以 对于 我举的这个例子只有两个维度而言，dim=-1和dim=1是等效的。

关于参数dim为None的使用

当时我的第一反应是 那我直接就不写这个参数不就得了嘛 所以我尝试了下面的代码，也确实发现和dim=0的效果是一致的。

yy = torch.cat([x, x, x])
yy

但是我在查找的时候遇到有文章是将None赋值给参数dim，所以我尝试后出现了问题如下：
文章链接🔗：link。于是我复制文章的代码运行，发现依旧报错。（无语 误导人）

下面图片是查找的文章的说法：

而我问了chatgpt的回答：

References：
【1】https://discuss.pytorch.org/t/what-does-dim-1-mean-in-torch-cat/110883