一、知识回顾
我们在博客《张量的创建与访问》中已经讨论了一些张量的创建方法如torch.CharTensor()、torch.FloatTensor()以及torch.zeros()等张量创建方法，但由于其仅仅介绍了cpu版本torch下张量的创建方法和只有具体数据类型张量，本节内容旨在补充gpu版本torch下张量的创建以及更一般的张量的创建方法。
二、torch.Tensor()与torch.tensor()
pytorch中可用torch.Tensor()和torch.tensor()来创建一般的张量，二者的区别在于前者是一个类 ，代表PyTorch底层的张量操作和方法；后者是一个函数 ，用于创建张量对象1，torch.Tensor()传入的参数可以是具体的张量数据，也可以是张量的shape；torch.tensor()传入的数据只能是具体的张量。
#创建一个张量a和张量b(分别用torch.Tensor()与torch.tensor())
ta = torch.Tensor(3, 4)
tb = torch.tensor([[1, 2], [3, 4]])
#分别输出tb，ta并查看其数据类型
print(f"ta的数据类型是{ta.dtype}\n ta张量为：{ta}")
print(f"tb的数据类型是{tb.dtype}\n ta张量为：{tb}")上述代码的运行结果为：
由此可见torch.Tensor(shape)会默认创建一个32位浮点数据类型的张量，而torch.tensor()会依据输入的数据来自动生成数据类型。
三、初始化一个张量方法（部分）2
（一）直接传入具体张量数据
本文第二项中提到的初始化张量方法即为直接传入具体张量数据的方法， 此外，torch.tensor()还支持将numpy数据和其它tensor数据转换为张量，本文将逐一介绍。
（二）将numpy数组转换为张量
具体方法如下：
#创建一个numpy数组
np_array = np.array([[1, 2], [3, 4]])
#将numpy数组转换为张量
tc = torch.from_numpy(np_array)（三）将其它张量转换为特定张量
pytorch可以将张量a转换为全零、全一或随机张量，具体代码法如下
#创建一个张量a和张量b
ta = torch.tensor([[1, 2], [3, 4]])
tb = torch.Tensor(3, 4)
#将张量a转换为全零或全一张量，将张量b转化为随机张量
tzero = torch.zeros_like(ta)
tone = torch.ones_like(ta)
trandn = torch.randn_like(tb)
print(f"转化过后的张量为\n{tzero}\n{tone}\n{trandn}")上述代码运行结果为：
值得注意的是： zeros_like()和ones_like()方法可以转化Tensor()类和tensor()方法初始化的张量，而randn_like()方法只能转化Tensor()类初始化的张量。
四、创建gpu版本的张量与tensor()方法详解
（一）创建gpu版本的张量
在《张量的创建与访问》中已经介绍了cpu版本的不同数据类型的张量的创建，gpu版本的张量创建方法与之类似：
ta = torch.cuda.CharTensor([[1, 2], [3, 4]])
print(f"gpu版本的张量\n{ta}")（二）tensor()方法详解
前面我们已经提到tensor()方法本质是是一个函数，它的可传入参数为tensor(data, dtype=*, device='cuda/cpu')，其中data即为需要传入的数据，dtype为想要生成的张量中的元素的数据类型，device则指定是用cpu还是gpu计算。
当我们想初始化一个gpu版本的元素数据类型为float的张量时，我们就可以用如下代码实现：
data = [[1.1, 2.4], [3.3, 5.3]]
ta = torch.tensor(data, dtype=float, device='cuda')
print(ta)