PyTorch torch.tensor 函数
Pytorch torch 参考手册torch.tensor 是 PyTorch 中用于创建张量的核心函数。它通过复制数据创建一个新的张量，并且不会保留原始数据的自动梯度历史。
这是创建 PyTorch 张量最常用的方式之一，适用于大多数场景。
函数定义
torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)
参数:
data(任意类型): 张量的数据，可以是 Python 列表、元组、NumPy 数组等。dtype(torch.dtype, 可选): 指定张量的数据类型，如torch.float32、torch.int64等。device(torch.device, 可选): 指定张量存储的设备，如torch.device('cpu')或torch.device('cuda')。requires_grad(bool, 可选): 是否需要计算梯度，默认为False。pin_memory(bool, 可选): 是否使用锁页内存，默认为False。
返回值:
torch.Tensor: 返回一个 PyTorch 张量。
使用示例
以下是一些使用 torch.tensor 函数的示例。
示例 1: 从列表创建张量
实例
import torch
# 从 Python 列表创建一维张量
data = [1, 2, 3, 4, 5]
x = torch.tensor(data)
print(x)
print(x.dtype)
# 从 Python 列表创建一维张量
data = [1, 2, 3, 4, 5]
x = torch.tensor(data)
print(x)
print(x.dtype)
输出结果为：
tensor([1, 2, 3, 4, 5]) torch.int64
在这个示例中，我们从 Python 列表创建了一个一维张量。PyTorch 会自动推断数据类型为 int64。
示例 2: 指定数据类型
实例
import torch
# 创建 float32 类型的张量
x = torch.tensor([1.0, 2.0, 3.0], dtype=torch.float32)
print(x)
print(x.dtype)
# 创建 float32 类型的张量
x = torch.tensor([1.0, 2.0, 3.0], dtype=torch.float32)
print(x)
print(x.dtype)
输出结果为：
tensor([1., 2., 3.]) torch.float32
在这个示例中，我们显式指定了张量的数据类型为 float32。
示例 3: 创建需要梯度的张量
实例
import torch
# 创建一个需要计算梯度的张量
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
print(x.requires_grad)
# 创建一个需要计算梯度的张量
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
print(x.requires_grad)
输出结果为：
True
在这个示例中，我们创建了一个需要计算梯度的张量，这在训练神经网络时非常有用。
示例 4: 从二维列表创建张量
实例
import torch
# 从二维列表创建二维张量（矩阵）
data = [[1, 2, 3], [4, 5, 6]]
x = torch.tensor(data)
print(x)
print(x.shape)
# 从二维列表创建二维张量（矩阵）
data = [[1, 2, 3], [4, 5, 6]]
x = torch.tensor(data)
print(x)
print(x.shape)
输出结果为：
tensor([[1, 2, 3],
[4, 5, 6]])
torch.Size([2, 3])
在这个示例中，我们从二维列表创建了一个 2x3 的二维张量。
示例 5: 在 CUDA 设备上创建张量
实例
import torch
# 检查 CUDA 是否可用
if torch.cuda.is_available():
# 在 CUDA 设备上创建张量
x = torch.tensor([1, 2, 3], device='cuda')
print(x.device)
else:
print("CUDA 不可用")
# 检查 CUDA 是否可用
if torch.cuda.is_available():
# 在 CUDA 设备上创建张量
x = torch.tensor([1, 2, 3], device='cuda')
print(x.device)
else:
print("CUDA 不可用")
输出结果为：
cuda:0
在这个示例中，我们检查 CUDA 是否可用，然后在 GPU 上创建张量。
torch.tensor 与 torch.as_tensor 的区别
torch.tensor 和 torch.as_tensor 都用于创建张量，但它们有重要的区别：
torch.tensor: 总是复制数据，创建的张量与原始数据不共享内存。torch.as_tensor: 尽可能共享数据，不复制内存，只在必要时复制。
如果需要保留自动梯度历史或避免不必要的数据复制，可以使用 torch.as_tensor。
注意事项
torch.tensor会复制数据，因此对返回的张量的修改不会影响原始数据。- 如果需要创建与另一个张量相同形状和设备的新张量，可以使用
torch.zeros_like()或torch.ones_like()。 - 创建张量时，如果不指定
dtype，PyTorch 会自动推断数据类型。