整站建设和网站优化chinaz站长素材
在 PyTorch 中，张量（Tensor）是所有计算的基础数据结构，类似于 NumPy 的 ndarray，但支持 GPU 运算与自动求导。下面详细汇总 PyTorch 中张量的创建方式及其代码示例：
一、基于数据创建张量
1. torch.tensor(data)
将列表、元组、NumPy 数组等数据直接转为张量。
import torch
import numpy as np# 从列表创建
a = torch.tensor([1, 2, 3])
print(a)# 从嵌套列表创建多维张量
b = torch.tensor([[1, 2], [3, 4]])
print(b)# 从 NumPy 创建
c = torch.tensor(np.array([5, 6, 7]))
print(c)
二、创建特定值的张量
2. torch.zeros(size)
创建所有元素为 0 的张量。
a = torch.zeros(2, 3) # shape: (2, 3)
print(a)
3. torch.ones(size)
创建所有元素为 1 的张量。
b = torch.ones(3, 2)
print(b)
4. torch.full(size, fill_value)
创建所有元素为指定值的张量。
c = torch.full((2, 2), 7)
print(c)
三、创建随机值张量
5. torch.rand(size)
在 [0, 1) 范围内均匀分布的随机值。
a = torch.rand(2, 3)
print(a)
6. torch.randn(size)
标准正态分布（均值为 0，标准差为 1）。
b = torch.randn(2, 3)
print(b)
7. torch.randint(low, high, size)
创建整数张量，区间 [low, high)。
c = torch.randint(0, 10, (2, 3))
print(c)
四、创建单位矩阵与对角矩阵
8. torch.eye(n, m=None)
创建一个单位矩阵（对角为 1，其余为 0）。
a = torch.eye(3) # 3x3单位矩阵
b = torch.eye(3, 4) # 3x4单位矩阵
print(a, b)
五、使用范围和步长创建张量
9. torch.arange(start, end, step)
类似于 Python 中的 range。
a = torch.arange(0, 10, 2) # [0, 2, 4, 6, 8]
print(a)
10. torch.linspace(start, end, steps)
生成固定步数的等间距值。
b = torch.linspace(0, 1, 5) # [0., 0.25, 0.5, 0.75, 1.]
print(b)
六、创建与已有张量相似的新张量
11. tensor.new_*(...) 系列（不推荐）
例如：
a = torch.tensor([1.0, 2.0, 3.0])
b = a.new_zeros(2, 2)
print(b)
12. torch.zeros_like(tensor)
根据已有张量形状创建新张量。
a = torch.ones(2, 3)
b = torch.zeros_like(a)
c = torch.ones_like(a)
d = torch.randn_like(a)
print(b, c, d)
七、张量创建时指定设备和数据类型
你可以指定 dtype 和 device：
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')a = torch.ones((2, 2), dtype=torch.float32, device=device)
print(a)
八、从 NumPy 转换 / 转回
13. torch.from_numpy(ndarray)
共享内存，修改张量或数组都会影响另一个。
import numpy as nparr = np.array([[1, 2], [3, 4]])
tensor = torch.from_numpy(arr)
print(tensor)
14. .numpy()
将张量转为 NumPy 数组（要求在 CPU 上）。
a = torch.tensor([[1, 2], [3, 4]])
np_array = a.numpy()
print(np_array)
九、其他高级初始化方式
15. torch.empty(size)
创建未初始化的张量（内存内容不确定，运行速度快）。
a = torch.empty(2, 2)
print(a)
十、使用 requires_grad 创建可求导张量
a = torch.ones(2, 2, requires_grad=True)
print(a)
总结：张量创建方法对比表
| 方法 | 说明 | 是否可指定 dtype/device |
|---|---|---|
torch.tensor() | 从数据创建张量 | ✅ |
torch.zeros() | 全为 0 | ✅ |
torch.ones() | 全为 1 | ✅ |
torch.full() | 全为指定值 | ✅ |
torch.rand() | 均匀分布 [0, 1) | ✅ |
torch.randn() | 标准正态分布 | ✅ |
torch.randint() | 随机整数 | ✅ |
torch.eye() | 单位矩阵 | ✅ |
torch.arange() | 区间整型值序列 | ✅ |
torch.linspace() | 区间等间隔浮点数 | ✅ |
torch.empty() | 未初始化张量 | ✅ |
torch.from_numpy() | NumPy 转张量 | ❌（dtype 不可变） |
tensor.numpy() | 张量转 NumPy | ❌（仅 CPU 张量） |