PyTorch 教程：高效构建布朗运动轨迹张量（避免内存共享与列表拼接陷阱）

碧海醫心 2026-01-17 00:00:00 次阅读

本文详解如何在 pytorch 中正确模拟多起点一维布朗运动，并将各时间步轨迹高效合并为单个二维张量，重点规避 `+=` 原地操作导致的内存共享错误，以及使用 `torch.cat` 替代低效列表追加。

在科学计算与随机过程建模中，常需对多个初始点并行模拟布朗运动（Wiener 过程）。例如，给定初始位置向量 dataset（形状为 (n, 1)），我们希望生成长度为 k+1 的轨迹——对应时间点 t=0, dt, 2dt, ..., t，最终输出形状应为 (n, k+1) 的张量，其中每行代表一个起点的完整路径。

关键挑战在于：不能使用原地更新（如 x += ...）。若直接修改同一张量对象并反复 append 到 Python 列表中，所有列表元素实际指向同一内存地址，导致最终所有时间步的值完全相同——这会彻底破坏布朗运动的时序演化特性。

正确做法是：每次基于上一时刻状态创建新张量（即 path[-1] + ...），确保每步状态独立；最后用 torch.cat(..., dim=-1) 沿最后一维（列方向）拼接所有 (n, 1) 张量，得到 (n, k+1) 结果。

以下是完整、可运行的实现：

import torch
import numpy

def brownian_motion(x, t, dt):
    """
    模拟多起点一维布朗运动

    Args:
        x (Tensor): 初始位置，shape = (n, 1)
        t (float): 终止时间
        dt (float): 时间步长

    Returns:
        Tensor: 轨迹矩阵，shape = (n, k+1)，每行是一个样本的路径
    """
    k = int(t / dt)  # 时间步数（不含 t=0）
    path = [x]  # 初始化：t=0 时刻

    for _ in range(k):
        # 生成标准正态增量：shape 同 x
        dW = torch.normal(mean=torch.zeros_like(x), std=torch.ones_like(x))
        # 更新：非原地操作，生成新张量
        next_x = path[-1] + numpy.sqrt(dt) * dW
        path.append(next_x)

    # 沿列维度拼接：(n,1) + (n,1) + ... → (n, k+1)
    return torch.cat(path, dim=-1)

# 示例验证
data = torch.normal(0, 1, size=(1, 3))
dataset = torch.tensor(data.T).float()  # shape: (3, 1)
print("初始位置：")
print(dataset)

result = brownian_motion(dataset, t=0.02, dt=0.01)
print("\n布朗运动轨迹（t=0, 0.01, 0.02）：")
print(result)