expand
和
repeat
函数是pytorch中常用于进行张量数据复制和维度扩展的函数，但其工作机制差别很大，本文对这两个函数进行对比。
1. expand
tensor.expand(*sizes)
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]])
2. expand_as
expand_as
函数可视为
expand
的另一种表达，其
size
通过函数传递的目标张量的
size
来定义。
import torch
a = torch.tensor([1, 0, 2])
b = torch.zeros(2, 3)
c = a.expand_as(b) # a照着b的维度大小进行拓展
# c为 tensor([[1, 0, 2],
# [1, 0, 2]])
3. repeat
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)
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]])
4. repeat_intertile
Pytorch中，与
Numpy
的
repeat
函数相类似的函数为
torch.repeat_interleave
：
torch.repeat_interleave(input, repeats, dim=None)
参数
input
为原始张量，
repeats
为指定轴上的复制次数，而
dim
为复制的操作轴，若取值为
None
则默认将所有元素进行复制，并会返回一个flatten之后一维张量。
与
repeat
将整个原始张量作为整体不同，
repeat_interleave
操作是逐元素的。
下面是一个简单的例子：
a = torch.tensor([[1], [0], [2]])
b = torch.repeat_interleave(a, repeats=3) # 结果flatten
# b为tensor([1, 1, 1, 0, 0, 0, 2, 2, 2])
c = torch.repeat_interleave(a, repeats=3, dim=1) # 沿着axis=1逐元素复制
# ｃ为tensor([[1, 1, 1],
# [0, 0, 0],
# [2, 2, 2]])