PyTorch 教程：高效拼接张量模拟布朗运动轨迹

本文详解如何使用 `torch.cat` 动态构建布朗运动路径张量，避免原地修改导致的内存共享问题，并输出形状为 `(n_points, n_steps)` 的完整轨迹矩阵。

在 PyTorch 中模拟多起点布朗运动时，一个常见误区是试图用列表累积修改后的张量（如 x += ...），这会导致所有元素引用同一内存地址，最终路径失去时间演化特征。正确做法是逐步创建新张量并安全拼接。

核心解决方案是使用 torch.cat，它沿指定维度连接一系列张量。注意：所有待拼接张量必须具有相同的除拼接维外的所有维度大小。

以下为修正后的完整实现（已适配最新 PyTorch 与 NumPy 兼容性）：

import torch
import numpy as np

def brownian_motion(x, t, dt):
    """
    生成多起点一维布朗运动轨迹

    Args:
        x (Tensor): 初始位置向量，shape = (n_points, 1) 或 (n_points,)
        t (float): 总模拟时间
        dt (float): 时间步长

    Returns:
        Tensor: 轨迹矩阵，shape = (n_points, k+1)，列对应 t=0, dt, 2dt, ..., t
    """
    k = 
int(t / dt)
    # 初始化路径：起始点 x（保持原始 shape）
    path = [x.clone() if x.requires_grad else x.detach().clone()]

    for _ in range(k):
        # 生成标准正态增量：shape 同 x
        dW = torch.normal(mean=0.0, std=1.0, size=x.shape, dtype=x.dtype, device=x.device)
        # 累积更新：x_{i+1} = x_i + sqrt(dt) * dW_i
        next_x = path[-1] + torch.sqrt(torch.tensor(dt, dtype=x.dtype, device=x.device)) * dW
        path.append(next_x)

    # 沿最后一维（dim=-1）水平拼接 → 得到 (n_points, k+1)
    return torch.cat(path, dim=-1)

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

trajectory = brownian_motion(dataset, t=0.02, dt=0.01)
print("\n布朗运动轨迹（t=0, 0.01, 0.02）：")
print(trajectory)
# 输出形如：
# tensor([[-2.1445, -2.1035, -2.1022],
#         [-1.3322, -1.3121, -1.3210],
#         [-0.6355, -0.6156, -0.5999]])

✅ 关键要点总结：

• 禁用 += 等就地操作：否则 path 中所有张量指向同一内存，导致轨迹退化为常数列；
• 显式克隆初始张量：确保 path[0] 是独立副本（尤其在启用梯度计算时需用 .clone()）；
• 统一设备与数据类型：torch.sqrt() 和 torch.normal() 需与输入张量同 dtype/device，推荐显式传入；
• 拼接维度选择：因每步生成 (n_points, 1) 张量，沿 dim=-1（即列方向）拼接最自然，得到 (n_points, steps) 结构；若需 (steps, n_points)，可先转置再拼接或最后调用 .T。

该方法扩展性强——只需调整 dW 的生成逻辑（如加入漂移项、相关性协方差矩阵），即可支持几何布朗运动、Ornstein-Uhlenbeck 过程等更复杂随机微分方程的离散模拟。