pytorch torch.expand和torch.repeat的区别详解

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)

输出：

tensor([[1, 2, 3, 4],
        [1, 2, 3, 4]])

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)

输出：

tensor([[1, 2, 3, 1, 2, 3, 1, 2, 3]])

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)

输出：

tensor([[1, 2, 3],
        [1, 2, 3],
        [1, 2, 3]])

以上就是本文的全部内容，希望对大家的学习有所帮助

您可能感兴趣的文章:

• 详解PyTorch批训练及优化器比较
• pytorch构建网络模型的4种方法
• PyTorch的深度学习入门之PyTorch安装和配置
• Pytorch入门之mnist分类实例
• 对PyTorch torch.stack的实例讲解
• python PyTorch预训练示例
• 使用pytorch进行图像的顺序读取方法
• 浅谈pytorch和Numpy的区别以及相互转换方法