如何用非标量值填充PyTorch张量？实现方法与设计疑问

1. 高效填充张量X的方法 #

下面是几种比torch.ones((n_samples, n_classes)) * a更高效的实现方式：

• 用torch.repeat复制数据：先给向量a新增一个维度，再沿该维度重复n_samples次：

  X = a.unsqueeze(0).repeat(n_samples, 1)
  

  unsqueeze(0)把a从(n_classes,)变成(1, n_classes)，repeat(n_samples, 1)会把第一维度复制n_samples次，最终得到(n_samples, n_classes)的张量。
• 用torch.expand创建视图（内存友好）：如果不需要修改张量内容，只是需要一个符合形状的视图，优先用expand——它不会复制原数据，仅返回共享内存的视图，内存和效率最优：

  X = a.unsqueeze(0).expand(n_samples, n_classes)
  

• 用torch.tile（PyTorch 1.10+）简化写法：tile是repeat的封装，写法更直观：

  X = torch.tile(a, (n_samples, 1))
  

  效果和repeat一致，但代码更简洁。

对比你提到的torch.ones(...) * a，上述方法跳过了创建全1张量和乘法运算的额外开销，直接基于原向量做维度扩展或复制，效率更高。

2. torch.full仅支持标量填充值的设计原因 #

主要有这几点合理考量：

• API职责清晰：full的核心定位是“用单一值填满整个张量”，而“复制某个张量到目标形状”的需求，已经有repeat、expand、tile这类专门函数处理，拆分功能能让每个API的语义更明确，避免功能重叠。
• 底层实现与性能优化：标量填充的底层实现更简单，可以直接用高效的内存初始化逻辑（比如一次性给整块内存赋值）；如果支持张量填充，需要处理维度匹配、广播等复杂逻辑，会增加函数复杂度，也不利于对标量场景做极致优化。
• 避免歧义：如果允许传入张量作为填充值，当目标形状和填充张量形状不兼容时，会产生规则歧义（比如是否自动广播？广播规则是什么？），而专门的复制/扩展函数已经明确了这类场景的处理逻辑，不需要让full承担额外的模糊性。

内容的提问来源于stack exchange，提问作者E. Turok