torch.Tensor.expand

tensor.expand(*sizes) → Tensor 或者更自然的： 张量.expand(*sizes) → 张量 两种都可以，但为了与原文更一致且符合编程习惯，推荐第一种。

返回一个新的视图，将 self 张量的单例维度扩展为更大的尺寸。

将 -1 作为维度的值传递表示保持该维度的大小不变。

张量还可以扩展到更高的维度，新的维度将被添加到前面。需要注意的是，新维度的大小不能设置为-1。

扩展张量不会分配新的内存，而只是在现有张量的基础上创建一个新的视图，在这个视图中，将大小为1的维度展开成更大的尺寸，方法是将 stride 设置为0。任何大小为1的维度都可以被展开到任意值而不分配新的内存。

参数

*sizes (torch.Size 或 int...) – 指定所需的扩展尺寸

警告

一个展开的张量的多个元素可能会指向同一块内存位置。因此，原地操作（尤其是向量化操作）可能导致错误行为。如果你想对张量进行写入操作，请先将其克隆。

示例：

>>> x = torch.tensor([[1], [2], [3]])
>>> x.size()
torch.Size([3, 1])
>>> x.expand(3, 4)
tensor([[ 1,  1,  1,  1],
        [ 2,  2,  2,  2],
        [ 3,  3,  3,  3]])
>>> x.expand(-1, 4)   # -1 means not changing the size of that dimension
tensor([[ 1,  1,  1,  1],
        [ 2,  2,  2,  2],
        [ 3,  3,  3,  3]])