torch.tensor

### PyTorch Tensor 的使用方法及功能介绍 PyTorch 是一种流行的深度学习框架，其核心数据结构是 `Tensor`。它类似于 NumPy 的 `ndarray`，但在 GPU 上运行效率更高，并且支持自动求导机制。 #### 1. 基础概念 `Tensor` 是一个多维数组，在 PyTorch 中用于存储和变换数据。可以通过多种方式创建 `Tensor` 对象[^1]。 例如： ```python import torch # 检查变量是否为 Tensor x = [2, 3, 5, 7, 4, 9] print(torch.is_tensor(x)) # 输出 False，因为 x 不是一个 Tensor 对象[^1] # 创建一个简单的 Tensor y = torch.tensor([2, 3, 5, 7, 4, 9]) print(y) # 输出 tensor([2, 3, 5, 7, 4, 9]) ``` #### 2. 创建 Tensor 的常见方法 以下是几种常见的创建 `Tensor` 的方法： - **指定尺寸初始化**：通过函数如 `ones`, `zeros`, 和 `eye` 初始化特定形状的张量。 ```python t_ones = torch.ones(2, 3) # 创建一个全为 1 的矩阵 (2x3) t_zeros = torch.zeros(2, 3) # 创建一个全为 0 的矩阵 (2x3) t_eye = torch.eye(3) # 创建单位矩阵 (3x3)[^2] ``` - **从现有数据创建**：可以从 Python 列表或 NumPy 数组中创建 `Tensor`。 ```python from_list = torch.tensor([[1, 2, 3], [4, 5, 6]]) # 从列表创建 Tensor[^4] print(from_list) import numpy as np from_numpy = torch.from_numpy(np.array([[1, 2], [3, 4]])) # 从 NumPy 数组创建 Tensor[^3][^4] print(from_numpy) ``` - **基于已有 Tensor 创建新 Tensor**：可以利用现有的 Tensor 来创建具有相同形状的新 Tensor。 ```python existing_tensor = torch.ones(3) random_tensor = torch.randn_like(existing_tensor) # 随机填充但保持相同的形状[^4] print(random_tensor) ``` #### 3. Tensor 属性 每个 `Tensor` 都有多个重要属性，包括但不限于： - `.shape`: 返回张量的维度大小。 - `.dtype`: 表示张量的数据类型。 - `.device`: 显示当前张量所在的设备（CPU 或 GPU）。 示例代码如下： ```python t = torch.rand((2, 3)) print(t.shape) # 输出 torch.Size([2, 3])[^4] print(t.dtype) # 默认情况下可能是 torch.float32 print(t.device) # 如果未显式移动到 GPU，则默认在 CPU 上 ``` #### 4. Tensor 转换与互操作性 PyTorch 提供了强大的工具来实现与其他库（尤其是 NumPy）之间的无缝转换。由于两者共享内存空间，因此这种转换非常高效。 - **NumPy 转 Tensor** ```python a_np = np.array([1, 2, 3]) a_torch = torch.from_numpy(a_np) print(a_torch) # 输出 tensor([1, 2, 3], dtype=torch.int32) ``` - **Tensor 转 NumPy** ```python b_torch = torch.ones(5) b_np = b_torch.numpy() print(b_np) # 输出 array([1., 1., 1., 1., 1.], dtype=float32) ``` 需要注意的是，当其中一个对象发生变化时，另一个会同步更新，这是因为它们共享底层内存[^2]。 #### 5. 自动求导 (`autograd`) PyTorch 的一大亮点在于它的自动求导能力。这使得神经网络训练过程中的反向传播变得简单而直观。 - 使用 `requires_grad=True` 参数启用梯度跟踪。 - 可以通过对叶子节点调用 `.backward()` 方法计算所有依赖项的梯度。 示例代码： ```python x = torch.tensor([2.0], requires_grad=True) y = x ** 2 + 3 * x + 1 y.backward() print(x.grad) # 计算并打印 y 关于 x 的导数[^3] ``` ---