是否可像操作嵌套列表一样为Ragged张量追加或扩展元素？

1. 能否像嵌套列表一样对Ragged张量执行追加/扩展操作？ #

Ragged张量（如TensorFlow的tf.RaggedTensor、PyTorch的NestedTensor）本质是深度学习框架定义的张量类型，不支持和Python嵌套列表一样的原地追加/修改操作，你无法直接对某个子张量调用append方法修改原张量。
你可以通过以下两种方式实现和示例嵌套列表操作等价的效果，操作后会生成新的Ragged张量，原张量不会被改变：

• 先把Ragged张量转为Python嵌套列表，修改完成后再转回Ragged张量，适合数据量小的场景，示例代码如下：

import tensorflow as tf

# 初始化Ragged张量
rt = tf.ragged.constant([[1,2],[3],[4,5,6]])
# 转为列表修改
rt_list = rt.to_list()
rt_list[1].append(9)
# 转回Ragged张量
new_rt = tf.ragged.constant(rt_list)
print(new_rt)
# 输出: <tf.RaggedTensor [[1, 2], [3, 9], [4, 5, 6]]>

• 直接用框架自带的拼接API修改指定位置的子张量，不需要转Python列表，适合数据量大的场景。

2. 任意Tensor都可以动态调整大小（非reshape操作）吗？ #

不可以。目前主流深度学习框架（TensorFlow、PyTorch、JAX等）的普通张量都是预分配固定大小的内存块，设计上不支持动态调整总元素数量的操作，所有涉及元素总数变化的操作（如拼接、裁剪、追加）都是生成新的张量实例，原张量的内存会由框架自动回收。
仅有极少数特殊场景的API可以实现近似的原地调整效果，比如PyTorch的torch.Tensor.resize_方法，但该方法限制非常多：

• 仅对CPU张量兼容性较好，GPU张量使用容易出现不可预期的错误
• 若调整后总元素数大于原张量，新增元素为未初始化的垃圾值，不会自动填充默认值
• 调整后张量的内存步长、布局都会变化，后续操作极易出问题，官方不推荐常规业务场景使用。

内容的提问来源于stack exchange，提问作者sten