如何高效在一维Torch张量的奇数索引后插入元素以扩容？

PyTorch 实现 #

场景1：按示例要求（每两个原元素后插入值，最终长度576）

直接利用张量的reshape和cat操作批量完成，完全规避Python循环：

import torch

# 原张量示例
x = torch.randn(384)
# 定义要插入的数值（可替换为任意值或张量）
insert_val = 0

# 步骤：拆分原张量为每2个元素一组，拼接插入值组后展平
result = torch.cat(
    [x.reshape(192, 2), torch.full((192, 1), insert_val, dtype=x.dtype, device=x.device)],
    dim=1
).flatten()
# result.shape → torch.Size([576])

场景2：实现最终维度768（每个元素后插入值）

如果需要将张量长度翻倍，只需调整分组方式：

import torch

x = torch.randn(384)
insert_val = 0

# 每个原元素单独成组，与插入值拼接后展平
result = torch.cat(
    [x.reshape(-1, 1), torch.full_like(x.reshape(-1, 1), insert_val)],
    dim=1
).flatten()
# result.shape → torch.Size([768])

NumPy 实现 #

场景1：每两个元素后插入值

import numpy as np

x = np.random.randn(384)
insert_val = 0

result = np.concatenate(
    [x.reshape(192, 2), np.full((192, 1), insert_val, dtype=x.dtype)],
    axis=1
).flatten()
# result.shape → (576,)

场景2：每个元素后插入值（长度768）

import numpy as np

x = np.random.randn(384)
insert_val = 0

result = np.concatenate(
    [x.reshape(-1, 1), np.full_like(x.reshape(-1, 1), insert_val)],
    axis=1
).flatten()
# result.shape → (768,)

扩展：插入动态计算的值 #

如果插入值不是固定值，而是基于原张量的计算结果（比如原奇数索引元素的一半），同样可以高效实现：

# PyTorch示例
x = torch.randn(384)
# 提取原奇数索引的元素并计算插入值
insert_vals = x[1::2] / 2
result = torch.cat([x.reshape(192, 2), insert_vals.reshape(192, 1)], dim=1).flatten()

这些方法均基于底层的批量张量/数组操作，执行效率远高于Python循环，适合处理大规模张量的批量任务。

内容的提问来源于stack exchange，提问作者ORC