pypto.expand_clone#
产品支持情况#
Ascend 950PR/Ascend 950DT：支持
Atlas A3 训练系列产品/Atlas A3 推理系列产品：支持
Atlas A2 训练系列产品/Atlas A2 推理系列产品：支持
功能说明#
将输入Tensor在等于1的轴上广播以匹配Shape，返回真实占内存的新Tensor。
函数原型#
expand_clone(
input: Tensor,
shape: List[int],
*,
valid_shape: Optional[List[Union[int, SymbolicScalar]]] = None
) -> Tensor
参数说明#
参数名 |
输入/输出 |
说明 |
|---|---|---|
input |
输入 |
源操作数。 |
shape |
输入 |
源操作数，目标Shape。 |
valid_shape |
输入 |
关键字参数。 |
返回值说明#
返回输出Tensor，其数据类型和input相同，形状为shape。
约束说明#
支持多维广播，输入Tensor被广播的轴的Shape大小要为1。
input的viewshape与input维度相同，viewshape[dim]=1，input[dim]=1,其中dim为被拓展轴，其余维度不做限制。举例如下：
[a,1] 拓展到[a,5]，其中dim=1，表示在dim 1上进行拓展。
len(viewshape)=2并且viewshape[dim]=1
关于valid_shape的说明：
在动态图场景中，假设Tensor input [a,1] 扩展到 [a,5]，并设置ViewShape为 [a,2]，框架会通过pypto.loop循环生成 [a,2] 分块，并按偏移量拼接。此时若未传入valid_shape，代码将默认生成全 [a,2] 的Tensor（如pypto.expand_clone(input, [a,2])）。
然而，当总尺寸 [a,5] 无法被分块尺寸 [a,2] 整除时，尾块的有效形状（如 [a,1]）无法由框架自动推导。例如，最后一列可能仅包含1个元素，而非完整的 [a,2] 分块。此时必须通过valid_shape明确指定尾块的实际有效Shape，如下：
pypto.expand_clone(input, [a,2], valid_shape = [a, pypto.min(2, 5 - 2 * b_idx),)
其中b_idx表示循环索引。
tileshape的维度与result维度相同，用于切分result。
tileshape的大小形状无额外约束，只需保证不超过ub size。
调用示例#
TileShape设置示例#
调用该operation接口前，应通过set_vec_tile_shapes设置TileShape。
TileShape维度应和输出一致。
如输入input shape为[m, 1]，输出为[m, n], TileShape设置为[m1, n1],则m1, n1分别用于切分m, n轴。
pypto.set_vec_tile_shapes(4, 16)
接口调用示例#
# static graph
a = pypto.tensor([1,8], pypto.DT_INT32)
out1 = pypto.expand_clone(a, [4,8])
# dynamic graph
out2 = pypto.expand_clone(a, [4,8], valid_shape = [pypto.symbolic_scalar(4), pypto.symbolic_scalar(8)])
结果示例如下：
输入数据a: [[1, 2, 3, 4, 5, 6, 7, 8]]
输出数据out1: [[1, 2, 3, 4, 5, 6, 7, 8],
[1, 2, 3, 4, 5, 6, 7, 8],
[1, 2, 3, 4, 5, 6, 7, 8],
[1, 2, 3, 4, 5, 6, 7, 8]]
输出数据out2: [[1, 2, 3, 4, 5, 6, 7, 8],
[1, 2, 3, 4, 5, 6, 7, 8],
[1, 2, 3, 4, 5, 6, 7, 8],
[1, 2, 3, 4, 5, 6, 7, 8]]