torch.tile 与 .repeat方法的区别

首先，从大体的功能上来看，两者均是相同的，能够按照一定维度对张量进行复制，但细微上还是有一定差距。

torch.tile

• 参数更灵活：类似 NumPy 中的 tile，允许传入的重复因子数量与原始张量维度数不一致。如果重复因子多于张量维度，PyTorch 会先在张量前面添加额外的维度，再执行复制。

• 作用：实现与 NumPy tile 类似的行为，使得对新维度的扩展变得更加直观。例如，一个一维张量 [1, 2, 3]，调用 tile(2, 3) 会将其先扩展为二维（在最前面添加一维），再沿着每个维度复制，得到的结果形状为 (2, 9)（具体形状依赖于输入张量和传入的参数）。

import torch

x = torch.Tensor([1,2,3])

y = torch.tile(x,dims=(2,3))

print(y,y.shape)

运行结果：

tensor([[1., 2., 3., 1., 2., 3., 1., 2., 3.],
        [1., 2., 3., 1., 2., 3., 1., 2., 3.]]) torch.Size([2, 9])

.repeat方法

• 参数数量：要求传入的重复因子数量与张量的维度数一致。例如，一个 shape 为 (3, 4) 的张量，使用 repeat(2, 3) 后，会在第一维重复 2 次，第二维重复 3 次，最终得到 shape (3*2, 4*3) 即 (6, 12)。

• 作用：直接在每个已有维度上复制数据。

• 注意：如果想对部分维度不重复，可以用 1 表示（例如：repeat(1, 3)）。

import torch

x = torch.randint(0,12,(3,4))

y = x.repeat((3,4))

print(y,y.shape)

运行结果：

tensor([[ 9,  6,  0,  6,  9,  6,  0,  6,  9,  6,  0,  6,  9,  6,  0,  6],
        [ 0,  2,  0,  3,  0,  2,  0,  3,  0,  2,  0,  3,  0,  2,  0,  3],
        [ 1,  2,  1, 10,  1,  2,  1, 10,  1,  2,  1, 10,  1,  2,  1, 10],
        [ 9,  6,  0,  6,  9,  6,  0,  6,  9,  6,  0,  6,  9,  6,  0,  6],
        [ 0,  2,  0,  3,  0,  2,  0,  3,  0,  2,  0,  3,  0,  2,  0,  3],
        [ 1,  2,  1, 10,  1,  2,  1, 10,  1,  2,  1, 10,  1,  2,  1, 10],
        [ 9,  6,  0,  6,  9,  6,  0,  6,  9,  6,  0,  6,  9,  6,  0,  6],
        [ 0,  2,  0,  3,  0,  2,  0,  3,  0,  2,  0,  3,  0,  2,  0,  3],
        [ 1,  2,  1, 10,  1,  2,  1, 10,  1,  2,  1, 10,  1,  2,  1, 10]]) torch.Size([9, 16])