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：
importtorch 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
importtorch 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
importtorch 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，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。