今天写代码遇到了torch.repeat_interleave，去查了一下。在此记录。

torch.repeat_interleave

官方文档里边提示了这么一句话：This is different from torch.Tensor.repeat() but similar to numpy.repeat.

就是说它的功能和 torch.Tensor.repeat() 不太一样，更类似于numpy.repeat，我也不怎么用numpy，所以这里就不解释写numpy的了。

torch.repeat_interleave(input, repeats, dim=None, *, output_size=None) → Tensor1

• 参数列表如下：

  • input，就是你要执行repeat操作的张量。

  • repeats，你要重复的次数，可以是数字，也可以是张量。

    如果是张量的时候必须保证它能够进行广播（broadcast）。

  • 可选参数dim就是要重复的维度了。

    如果不写会默认展开成一个向量，如果写了维度会在保持原来的维度基础上进行重复。

  • 最后返回的是重复之后的张量。

  代码示例：

  1. 先来看一下一个普通的向量的重复：

  a = torch.tensor(1)
  res = a.repeat_interleave(5)
  print(res)

  输出结果为：

  tensor([1, 1, 1, 1, 1])

  上边代码的写法等价于这个：

  a = torch.tensor(1)
  res = torch.repeat_interleave(a,5)
  print(res)

  2. 看完向量看一下高维张量的重复：

  a = torch.arange(6).reshape(2,1,3)
  res = torch.repeat_interleave(a,3,dim = 1)
  print(res)
  print(a.shape)
  print(res.shape)

  输出结果为：

  tensor([[[0, 1, 2],<br>
      [0, 1, 2],<br>
      [0, 1, 2]],<br>
      [[3, 4, 5],<br>
      [3, 4, 5],<br>
      [3, 4, 5]]])<br>
  torch.Size([2, 1, 3])<br>
  torch.Size([2, 3, 3])

  我们可以看出在指定维度的时候会在相应的维度上展开。

  a = torch.arange(6).reshape(2,1,3)
  res = torch.repeat_interleave(a,3)
  print(res)
  print(a.shape)
  print(res.shape)

  输出结果：

  tensor([0, 0, 0, 1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5])<br>
  torch.Size([2, 1, 3])<br>
  torch.Size([18])

  反之，不指定结果的话就会将其复制之后展开成一个一维的向量。

  3. 最后看一下正常的二维向量的重复：

  a = torch.arange(6).reshape(2,3)
  res = torch.repeat_interleave(a,3,dim=0)
  print(res)
  print(a.shape)
  print(res.shape)

  输出结果为：

  tensor([[0, 1, 2],<br>
      [0, 1, 2],<br>
      [0, 1, 2],<br>
      [3, 4, 5],<br>
      [3, 4, 5],<br>
      [3, 4, 5]])<br>
  torch.Size([2, 3])<br>
  torch.Size([6, 3])

  这个结果应该没什么疑问，一个2*3的矩阵，对其第0维进行重复操作，重复三次，最后可以看到输出结果是对第0维度重复了三次。然后用下边这个代码看一下广播机制的重复操作：

  a = torch.arange(6).reshape(2,3)
  res = torch.repeat_interleave(a,torch.tensor([1,3]),dim=0)
  res2 = torch.torch.repeat_interleave(a,torch.tensor([1,3,2]),dim=1)
  print(res)
  print(res2)
  print(a.shape)
  print(res.shape)
  print(res2.shape)

  输出结果：

  tensor([[0, 1, 2],<br>
      [3, 4, 5],<br>
      [3, 4, 5],<br>
      [3, 4, 5]])<br>
  tensor([[0, 1, 1, 1, 2, 2],<br>
      [3, 4, 4, 4, 5, 5]])<br>
  torch.Size([2, 3])<br>
  torch.Size([4, 3])<br>
  torch.Size([2, 6])

  我们使用了两次重复，先看一下a的形状是一个2*3的矩阵，也就是说我在某一维度上进行重复操作的时候，为了让它运行广播机制，那我张量传入的向量长度必须和矩阵某一维度上的长度一致。

  比如res中我们是从第0维进行重复操作，a的第0维是2，所以我们后边传入的张量长度是2。他们分别对应着：对第0维上第一个元素重复2次，对第0维上第二个元素重复三次。

  同理，res中我们是对第1维进行重复操作，a的第0维是3，所以我们后边传入的张量长度是3。不重复解释了。

总结！
对于传入的参数可以是：

• Tensor,int
• Tensor,Tensor
• Tensor,int,dim*
• Tensor,Tensor,dim*

Tensor.repeat

上一个我们说是“This is different from torch.Tensor.repeat() but similar to numpy.repeat”。既然上一个更类似于numpy的repeat，那这个肯定不能类似于repeat了。这个和numpy.tile更为相似。

这个比较简单，大致说一下子就OK。

torch.Tensor.repeat(*sizes) → Tensor

• 参数列表：只有一个参数，传入int或者需要重复操作的torch.Size。注意，参数必须大于等于要复制的张量。
• 结果返回一格张量

代码示例：

参数时候我们说“参数必须大于等于要复制的张量”，意思是说你二维的矩阵，传入的参数比如是两个及两个以上的torch.Size，不能传入一个int，只有一维的可以传入一个int。

1. 二维矩阵：

   a = torch.arange(6).reshape(2,3)
   res = a.repeat([2,3])
   print(res)

   输出结果：

   tensor([[0, 1, 2, 0, 1, 2, 0, 1, 2],<br>
       [3, 4, 5, 3, 4, 5, 3, 4, 5],<br>
       [0, 1, 2, 0, 1, 2, 0, 1, 2],<br>
       [3, 4, 5, 3, 4, 5, 3, 4, 5]])

   我们传入的是一个torch.Size，因此会在对应的维度上进行复制，不过和上一个函数的区别在于上一个函数是按元素复制，这个是按维度复制。（000111222和012012012的区别。）

2. 一维向量：

   a = torch.arange(6)
   res = a.repeat(2)
   print(res)

   输出结果：

   tensor([0, 1, 2, 3, 4, 5, 0, 1, 2, 3, 4, 5])

   在向里中传入int是可以使用的。你也可以试一下在二维矩阵复制时候传入int，会报错。

3. 一维向量：

   a = torch.arange(6)
   res = a.repeat([2,2])
   print(res)

   输出结果：

   tensor([[0, 1, 2, 3, 4, 5, 0, 1, 2, 3, 4, 5],<br>
       [0, 1, 2, 3, 4, 5, 0, 1, 2, 3, 4, 5]])

   只能传入等于或者大于原张量维度的torch.Size。