PyTorch中如何无循环拼接不同维度的张量？

完全没问题，不用写任何Python循环就能完成你想要的操作——核心是利用张量框架（比如PyTorch、TensorFlow）的广播机制和内置的拼接函数，不仅代码简洁，运行效率也比循环高得多（底层是优化过的向量化操作）。

操作思路拆解 #

你的需求本质是：

1. 把形状为(1, 200, 2048)的Tensor 2，沿第0维度（也就是你说的第1维度，注意框架里维度索引一般从0开始）广播到和Tensor 1相同的(15, 200, 2048)形状；
2. 将广播后的Tensor 2和原Tensor 1，沿第2维度（即你说的第3维度）拼接，最终得到(15, 200, 4096)的结果。

具体实现代码 #

下面分别给出PyTorch和TensorFlow的无循环实现示例：

PyTorch版本

import torch

# 生成示例张量
tensor1 = torch.randn(15, 200, 2048)
tensor2 = torch.randn(1, 200, 2048)

# 广播Tensor2到目标形状（不复制数据，仅改变视图，效率极高）
tensor2_broadcasted = tensor2.expand(tensor1.shape[0], -1, -1)
# -1表示保持原维度大小，这里就是保留200和2048不变

# 沿第2维度拼接
result = torch.cat([tensor1, tensor2_broadcasted], dim=2)

print(result.shape)  # 输出: torch.Size([15, 200, 4096])

TensorFlow版本

import tensorflow as tf

# 生成示例张量
tensor1 = tf.random.normal((15, 200, 2048))
tensor2 = tf.random.normal((1, 200, 2048))

# 广播Tensor2到目标形状（同样不复制数据）
tensor2_broadcasted = tf.broadcast_to(tensor2, tensor1.shape)

# 沿第2维度拼接
result = tf.concat([tensor1, tensor2_broadcasted], axis=2)

print(result.shape)  # 输出: (15, 200, 4096)

为什么不用循环？ #

框架内置的expand/broadcast_to和cat都是底层优化过的操作，完全避开了Python循环的性能瓶颈——Python循环在处理大规模张量时速度极慢，而这些向量化操作直接在C/CUDA层执行，效率提升几个数量级，同时代码可读性也更好。

内容的提问来源于stack exchange，提问作者adeelz92