如何将形状为[1,3,64,64]的PyTorch张量转换为[1,4,64,64]

针对你的需求，这里有两种简洁且保留梯度的实现方式，完全符合要求：

方法一：使用torch.cat()拼接复制的通道 #

这是最直观高效的方式——提取原张量的最后一个通道，再将其拼接到原张量的通道维度上：

import torch

# 初始化和你规格一致的示例张量
x = torch.randn(1, 3, 64, 64, requires_grad=True)

# 提取最后一个通道，保持形状为[1, 1, 64, 64]（避免降维）
last_channel = x[:, -1:, :, :]

# 在通道维度（dim=1）拼接原张量和复制的通道
new_tensor = torch.cat([x, last_channel], dim=1)

# 验证结果
print(new_tensor.shape)  # 输出 torch.Size([1, 4, 64, 64])
# 验证梯度是否正常传递
new_tensor.sum().backward()
print(x.grad is not None)  # 输出 True，说明梯度保留成功

方法二：使用扩展赋值（可选） #

如果你偏好先扩展张量尺寸再赋值的方式，也可以这样操作，同样保留计算图：

import torch

x = torch.randn(1, 3, 64, 64, requires_grad=True)

# 创建目标形状的张量，先复制原张量的所有通道，再填充新增通道
new_tensor = torch.zeros(1, 4, 64, 64, dtype=x.dtype, device=x.device)
new_tensor[:, :3, :, :] = x
new_tensor[:, 3, :, :] = x[:, 2, :, :]

# 验证结果
print(new_tensor.shape)  # 输出 torch.Size([1, 4, 64, 64])
new_tensor.mean().backward()
print(x.grad is not None)  # 输出 True

关键说明 #

• 两种方法都避开了resize_()，且完整保留了张量的requires_grad属性，梯度可以正常反向传播。
• 方法一更推荐，无需额外的初始化操作，直接拼接即可满足需求，性能更优。

内容的提问来源于stack exchange，提问作者raspiduino