torch.tensor

通過復制數據構造一個張量

• （構造出的張量是一個沒有自動微分（autograd ）歷史的張量，也稱為葉張量，參考Autograd mechanics）。

torch.tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False) → Tensor

• data– 用于創建張量的初始數據。可以是列表、元組、NumPyndarray、標量和其他類型。
• dtype （torch.dtype，可選）– 返回張量的所需數據類型。默認值：如果為 None，則從數據中推斷數據類型。pytorch中的數據類型
• device（torch.device，可選）- 構造的張量的設備。如果 None 且 data 是張量，則使用 data 設備。如果 None 且 data 不是張量，則結果張量在當前設備上構造。
• requires_grad（bool， 可選）– 是否有autograd。默認值：False（沒有）。
• pin_memory （bool，可選） – 返回的張量將在固定內存中分配。僅適用于 CPU 張量。默認值：False。

import torch# 創建一個空張量（大小為0）
tensor_0=torch.tensor([]) 
print("空張量:", tensor_0)# 創建一個一維張量（向量）
tensor_1d = torch.tensor([1, 2, 3, 4, 5])
print("一維張量:", tensor_1d)# 創建一個二維張量（矩陣）
tensor_2d = torch.tensor([[1.1, 2.2], [3.3, 4.4]])
print("二維張量:", tensor_2d)# 創建一個三維張量
tensor_3d = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("三維張量:", tensor_3d)# 創建一個序列，并將其轉換為張量
sequence = [1, 2, 3]
tensor_from_list = torch.tensor(sequence)
print("從列表創建的張量:", tensor_from_list)# 創建一個張量，并指定是否需要梯度
tensor_requires_grad = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
print("需要梯度的張量:", tensor_requires_grad)# 對需要梯度的張量進行操作，并計算梯度
tensor_requires_grad[0].backward()
print("梯度:", tensor_requires_grad.grad)# 創建一個張量，并指定數據類型和設備
tensor_dtype_device = torch.tensor([0.1, 0.2, 0.3], dtype=torch.float64, device=torch.device('cuda:0'))
print("指定數據類型和設備的張量:", tensor_dtype_device)
'''output
空張量: tensor([])
一維張量: tensor([1, 2, 3, 4, 5])
二維張量: tensor([[1.1000, 2.2000],[3.3000, 4.4000]])
三維張量: tensor([[[1, 2],[3, 4]],[[5, 6],[7, 8]]])
從列表創建的張量: tensor([1, 2, 3])
需要梯度的張量: tensor([1., 2., 3.], requires_grad=True)
梯度: tensor([1., 0., 0.])
指定數據類型和設備的張量: tensor([0.1000, 0.2000, 0.3000], device='cuda:0', dtype=torch.float64)
'''

注意

當使用張量時，為了可讀性，更傾向使用torch.Tensor.clone(), torch.Tensor.detach()和torch.Tensor.requires_grad_()。
設t為張量，torch.tensor(t)等價于t.clone().detach()和torch.tensor(t, requires_grad=True)等價于t.clone().detach().requires_grad_(True)。