expand不分配新内存，仅通过修改stride和shape创建原Tensor的视图，共享同一data_ptr；只能扩展size=1的维度，-1表示保持原维大小，适用于广播场景；repeat则真实复制数据，显存随重复次数线性增长。
expand 不分配新内存，只改 stride 和 shape
expand 本质是返回原 Tensor 的一个视图（view），它不复制任何数据，只是修改了张量的 shape 和 stride。底层仍指向同一块内存地址，data_ptr() 与原张量一致。这意味着无论你 expand(1000, 1000) 还是 expand(10**6, 10**6)，只要原始张量小，显存占用几乎不变。
repeat 真实复制数据，显存随维度线性增长
repeat 每次调用都会申请新内存，并把原始数据按指定次数完整拷贝进去。比如 x = torch.ones(3)（3 个 float32，共 12 字节），执行 x.repeat(1000, 1000) 后，实际生成的是含 3×10⁶ 个元素的新 Tensor，显存占用约 12 MB —— 是原来的百万倍。
- 参数
*sizes表示「每个维度上重复几次」，不是目标 shape；repeat(2, 3)是先在 dim0 复制 2 份，再对每份在 dim1 复制 3 份 - 即使只重复 1 次（如
repeat(1, 4)），也会触发完整拷贝，无法跳过内存分配 - 对大张量误用
repeat容易触发RuntimeError: CUDA out of memory
expand 的限制：只能作用于 size=1 的维度
这不是设计缺陷，而是广播机制的硬性前提。比如 x = torch.randn(1, 512) 可以 expand(64, 512)（因为第 0 维是 1），但 x = torch.randn(3, 512) 直接调 expand(64, 512) 会报错 RuntimeError: The expanded size ... must match the existing size ... at non-singleton dimension。
- 常见补救方式：先
unsqueeze(0)或view(1, 3, 512)创造 singleton 维，再expand -
expand(-1, 4)中的-1表示“保持该维原大小”，不是“自动推断”，它只允许出现在原本就合法的维度上 - 若需要绕过 singleton 限制又不想爆显存，可考虑
torch.broadcast_to（行为类似expand，但更严格校验广播规则）
真实场景中选哪个？看你要的是“共享值”还是“独立副本”
两者语义不同，不能简单说谁“更好”。关键判断点在于：后续操作是否要修改其中某一部分，且不希望影响其他部分。
立即学习“Python免费学习笔记（深入）”；
- 要用广播做 batch 计算（如
logits + bias.expand_as(logits)），选expand—— 安全、轻量、符合 PyTorch 广播逻辑 - 要做数据增强（如把一张图复制 5 次进 dataloader）、构造 tile 模式输入（如 patch 重复拼接），必须用
repeat—— 因为每个副本需独立参与梯度更新或变换 - 一个典型陷阱：
a = nn.Parameter(torch.ones(1, 10)); b = a.expand(100, 10); b[0] = 0会同时改掉a和所有b[i]，因为它们共享内存；而c = a.repeat(100, 10); c[0] = 0只影响第 0 行
expand 一个 Parameter，它不会增加显存压力，但如果你误写成 repeat，哪怕只多一次，就可能让 batch size 被迫降到 1。 
