tensor.repeat应该可以满足您的需要，但是您需要先插入一个单位维。为此，我们可以使用tensor.unsqueeze或tensor.reshape。由于unsqueeze是专门定义为插入一个单位维的，因此我们将使用它。

B = A.unsqueeze(1).repeat(1, K, 1)

• 代码描述 * A.unsqueeze(1)将A从[M, N]转换为[M, 1, N]，并且.repeat(1, K, 1)沿着第二维度重复TensorK多次。

Einops提供重复功能

import einops
einops.repeat(x, 'm n -> m k n', k=K)

repeat可以按任意顺序添加任意数量的轴，并同时对现有轴进行重新排序。

添加到由@Alleo提供的答案。您可以使用以下Einops函数。

einops.repeat(example_tensor, 'b h w -> (repeat b) h w', repeat=b)

其中，b是Tensor重复的次数，h、w是Tensor的附加维数。
示例-

example_tensor.shape -> torch.Size([1, 40, 50]) 
repeated_tensor = einops.repeat(example_tensor, 'b h w -> (repeat b) h w', repeat=8)
repeated_tensor.shape -> torch.Size([8, 40, 50])

此处提供更多示例-https://einops.rocks/api/repeat/

重复的值占用大量内存，在大多数情况下，最好的做法是使用广播。因此，您可以使用A[:, None, :]，这将使A.shape==(M, 1, N)。
我同意重复这些值的一个例子是在下面的步骤中的原地操作。由于numpy和torch在实现上的不同，我喜欢不可知的(A * torch.ones(K, 1, 1)))后面跟着一个转置。

tensor.expand可能是比tensor.repeat更好的选择，因为根据以下公式：* 扩展Tensor不会分配新内存，而只是在现有Tensor上创建新视图，其中通过将步幅设置为0，将大小为1的维度扩展为更大的大小。*
但是，请注意：* 扩展Tensor得多个元素可能引用单个内存位置.因此，就地操作（尤其是矢量化得操作）可能导致不正确得行为.如果需要写入Tensor，请先克隆它们.*

M = N = K = 3
A = torch.arange(0, M * N).reshape((M, N))
B = A.unsqueeze(1).expand(M, K, N)
B

'''
tensor([[[0, 1, 2],
         [0, 1, 2],
         [0, 1, 2]],

        [[3, 4, 5],
         [3, 4, 5],
         [3, 4, 5]],

        [[6, 7, 8],
         [6, 7, 8],
         [6, 7, 8]]])
'''