pytorch实现某一维度的数据扩充（repeat、reshape、resize、cat等的用法和区别）

场景：想要将一个维度为(a,5,c)的张量扩充至（a,22,c),要求扩充后的张量axis=1的前5行是原张量，剩余行是扩充的数字。即只扩充指定维的数据，没有搜到现成的做法，自己进行了以下尝试：

1、使用repeat（）想将b变成和a同size的张量

import torch
a = torch.ones(2, 22, 3)
b = torch.zeros(2, 5, 3)
b1 = b.repeat(1, 22, 1)      
print(b1.size())  # (2,110,3)
# repeat是将指定维重复n次，n必须是整型int

事实证明repeat将指定维重复n次，且n必须是整型int，没办法满足我将axis=1的维从5变到12的想法

2、使用reshape（）

import torch
a = torch.ones(2, 22, 3)
b = torch.zeros(2, 5, 3)
b1 = b.reshape(2, 22, 3)      #报错

报错，根据报错信息得知，reshape是将张量中的元素重新排列成要求的shape

比如原张量x(a,b,c),reshape之后的张量y(a1,b1,c1),要求a1*b1*c1=a*b*c，即必须满足原来的tensor和reshape的tensor元素个数相等，不能达到我的目的

3、使用resize_()

import torch
a = torch.ones(2, 22, 3)
b = torch.zeros(2, 5, 3)
b1 = b.resize_(2, 22, 3)      
print(b1.size())  # (2,22,3)

可以使用该方法扩充某一维的数据，但是我输出扩充后的数据如下，发现使用resize_()扩充某一维的数据，会将改维已有数据排在前面，剩余的坑用自带的插值计算出的数来占领，也就是将第1维原来的数据都挤到前面来了。但是我想要第1维的原有数据保持位置不变，其他多出来的坑位用0补齐。

x = torch.ones(2, 4, 2)
Y = torch.zeros(2, 2, 2)
y3=Y.resize_(2,4,2)
print(y3.size())  # (2,4,2)
print(y3)

4、最后用了最笨的cat方法，创建一个辅助的全o张量来与需要扩充的张量进行拼接，验证可得到想要的答案。

x = torch.ones(2, 4, 2)
Y = torch.ones(2, 2, 2)
y3= torch.zeros(2, 2, 2)
y4 = cat((Y,y3),1)  # 在第一维上进行cat拼接
print(y4.size())  # (2,4,2)
print(y4)