本文介绍如何使用 `torch.cat()` 正确拼接多个时间步的张量，避免原地操作导致的内存共享问题，并构建形状为 `(n_samples, n_steps)` 的布朗运动轨迹张量。
在 PyTorch 中模拟多起点布朗运动时，一个常见误区是使用 x += ... 这类原地（in-place）更新操作——这会导致所有中间状态共享同一块内存，最终列表中所有张量指向相同数值，无法保留演化过程。正确做法是始终生成新张量，并通过 torch.cat() 沿指定维度高效合并。
以下是一个完整、可运行的实现：
import torch
import numpy as np
def brownian_motion(x, t, dt):
"""
生成多起点布朗运动轨迹。
Args:
x (torch.Tensor): 初始位置，形状为 (n,)，每个元素为一个起始点
t (float): 总模拟时间
dt (float): 时间步长
Returns:
torch.Tensor: 形状为 (n, k+1) 的轨迹张量，
第 j 列对应时间 t_j = j * dt 处的位置
"""
k = int(t / dt)
path = [x.clone()] # 使用 clone() 确保初始状态独立
for _ in range(k):
# 生成标准正态噪声（与 x 同形状）
xi = torch.randn_like(x)
# 更新：x_{t+dt} = x_t + sqrt(dt) * N(0,1)
next_x = path[-1] + np.sqrt(dt) * xi
path.append(next_x)
# 沿最后一个维度（列方向）拼接 → 得到 (n, k+1)
return torch.cat(path, dim=-1)
# 示例用法
data = torch.normal(0, 1, size=(1, 3))
dataset = data.squeeze(0).float() # 转为 (3,) 向量
print("初始位置:", dataset)
# tensor([-2.1445, -1.3322, -0.6355])
trajectory = brownian_motion(dataset, t=0.02, dt=0.01)
print("布朗轨迹 (3×3):")
print(trajectory)
# tensor([[-2.1445, -2.1035, -2.1022],
# [-1.3322, -1.3121, -1.3210],
# [-0.6355, -0.6156, -0.5999]])✅ 关键要点总结：
- ✅ 使用 torch.randn_like(x) 替代 torch.normal(zeros, ones)，更简洁且语义清晰；
- ✅ 始终用 clone() 或显式新建张量，杜绝 x += ...，防止引用污染；
- ✅ torch.cat(..., dim=-1) 将 (n,) 张量列表拼成 (n, steps)，符合时间序列存储习惯；
- ⚠️ 若需更高性能（如大批量/长轨迹），可预分配 torch.empty(n, k+1) 并索引赋值，避免频繁拼接开销；
- ? 该函数天然支持批量初始点（x 为任意 1D 张量），无需循环调用，具备良好向量化特性。
通过这种方式，你不仅能准确复现布朗运动的随机演化，还能确保输出张量结构清晰、内存安全、易于后续训练或可视化。
