pypto.expand_clone#

产品支持情况#

产品	是否支持
Ascend 950PR/Ascend 950DT	√
Atlas A3 训练系列产品/Atlas A3 推理系列产品	√
Atlas A2 训练系列产品/Atlas A2 推理系列产品	√

功能说明#

将输入Tensor在唯一等于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。支持的类型为：Tensor。 Tensor支持的数据类型为：DT_BF16，DT_FP32，DT_FP16，DT_INT8，DT_INT16，DT_INT32，DT_UINT8，DT_UINT16，DT_UINT32，DT_BOOL。不支持空Tensor；Shape仅支持2-4维，被广播的轴的Shape大小要为1；Shape Size不大于2147483647（即INT32_MAX）。
shape	输入	源操作数，目标Shape。支持的数据类型为：List[int]。 Shape Size不大于INT32_MAX；Shape的维度需要与输入的一致，除被广播的轴外其他轴大小须与input的Shape对应相等。
valid_shape	输入	关键字参数。源操作数，用于定义输出Tensor的动态Shape，关键字参数，用于动态图，静态图可以省略。支持的类型为 List[SymbolicScalar], List[int]。

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#

只能一维广播，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：
1. [a,1] 拓展到[a,5]，其中dim=1，表示在dim 1 上进行拓展。
2. 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intput 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]]