1.torch.expand
函数返回张量在某一个维度扩展之后的张量,就是将张量广播到新形状。函数对返回的张量不会分配新内存,即在原始张量上返回只读视图,返回的张量内存是不连续的。类似于numpy中的broadcast_to函数的作用。如果希望张量内存连续,可以调用contiguous函数。
例子:
import torch
x = torch.tensor([1, 2, 3, 4])
xnew = x.expand(2, 4)
print(xnew)
- 1
- 2
- 3
- 4
- 5
输出:
tensor([[1, 2, 3, 4],
[1, 2, 3, 4]])
- 1
- 2
2.torch.repeat
torch.repeat用法类似np.tile,就是将原矩阵横向、纵向地复制。与torch.expand不同的是torch.repeat返回的张量在内存中是连续的。
例子1:
将张量横向的复制
import torch
x = torch.tensor([1, 2, 3])
xnew = x.repeat(1,3)
print(xnew)
- 1
- 2
- 3
- 4
- 5
输出:
tensor([[1, 2, 3, 1, 2, 3, 1, 2, 3]])
- 1
例子2:
将张量纵向的复制
import torch
x = torch.tensor([1, 2, 3])
xnew = x.repeat(3,1)
print(xnew)
- 1
- 2
- 3
- 4
- 5
输出:
tensor([[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])
- 1
- 2
- 3
</div>