1. expand
tensor.expand(*sizes)
1
expand函数用于将张量中单数维的数据扩展到指定的size。
首先解释下什么叫单数维（singleton dimensions），张量在某个维度上的size为1，则称为单数维。比如zeros(2,3,4)不存在单数维，而zeros(2,1,4)在第二个维度（即维度1）上为单数维。expand函数仅仅能作用于这些单数维的维度上。
参数*sizes用于逐个指定各个维度扩展后的大小（也可以理解为拓展的次数），对于不需要或者无法（即非单数维）进行扩展的维度，对应位置可写上原始维度大小或直接写作-1。
expand函数可能导致原始张量的升维，其作用在张量前面的维度上，因此通过expand函数可将张量数据复制多份（可理解为沿着第一个batch的维度上）。
另一个值得注意的点是：expand函数并不会重新分配内存，返回结果仅仅是原始张量上的一个视图。
下面为几个简单的示例：
import torch a = tensor([1, 0, 2]) b = a.expand(2, -1) # 第一个维度为升维，第二个维度保持原阳 # b为 tensor([[1, 0, 2], [1, 0, 2]]) a = torch.tensor([[1], [0], [2]]) b = a.expand(-1, 2) # 保持第一个维度，第二个维度只有一个元素，可扩展 # b为 tensor([[1, 1], # [0, 0], # [2, 2]])
前文提及expand仅能作用于单数维，那对于非单数维的拓展，那就需要借助于repeat函数了。
tensor.repeat(*sizes)
1
参数*sizes指定了原始张量在各维度上复制的次数。整个原始张量作为一个整体进行复制，这与Numpy中的repeat函数截然不同，而更接近于tile函数的效果。
与expand不同，repeat函数会真正的复制数据并存放于内存中。
下面是一个简单的例子：
import torch a = torch.tensor([1, 0, 2]) b = a.repeat(3,2) # 在轴0上复制3份，在轴1上复制2份 # b为 tensor([[1, 0, 2, 1, 0, 2], # [1, 0, 2, 1, 0, 2], # [1, 0, 2, 1, 0, 2]])
在轴0上复制3份，在轴1上复制2份的意思同样可以理解为，在列上复制三份，在每一行上复制2份。
