pytorch张量的new_zeros方法介绍

在 PyTorch 中，Tensor.new_zeros 是一种用于创建与现有张量形状或设备匹配的新张量的方法。该方法生成一个全为零的张量，且其数据类型、设备等属性与调用它的张量一致，除非另行指定。

---

new_zeros 方法的语法

Tensor.new_zeros(size, *, dtype=None, device=None, requires_grad=False)

参数说明

• size (tuple)

  指定新张量的形状。例如 (2, 3) 表示创建一个形状为 2x3 的张量。

• dtype (torch.dtype, 可选)

  指定新张量的数据类型。如果未指定，将与原张量的数据类型一致。

• device (torch.device, 可选)

  指定新张量所在的设备（如 CPU 或 GPU）。如果未指定，将与原张量所在的设备一致。

• requires_grad (bool, 可选)

  指定新张量是否需要计算梯度（默认为 False）。

---

new_zeros 的特性

• 新张量与原张量具有相同的设备 和默认数据类型（除非显式更改）。
• 新张量的内容为全零。

---

使用示例

1. 创建与现有张量形状匹配的零张量

import torch

x = torch.ones(2, 3, device='cuda')  # 创建一个形状为 (2, 3) 的张量
zeros = x.new_zeros((2, 3))          # 创建一个全零张量，与 x 具有相同形状和设备
print(zeros)
# 输出（在 GPU 上）:
# tensor([[0., 0., 0.],
#         [0., 0., 0.]], device='cuda:0')

2. 创建具有不同形状的零张量

x = torch.ones(4, 5)
zeros = x.new_zeros((2, 3))  # 创建一个形状为 (2, 3) 的零张量
print(zeros)
# 输出:
# tensor([[0., 0., 0.],
#         [0., 0., 0.]])

3. 指定数据类型

x = torch.ones(3, 3, dtype=torch.float32)
zeros = x.new_zeros((2, 2), dtype=torch.int32)  # 显式指定数据类型
print(zeros)
# 输出:
# tensor([[0, 0],
#         [0, 0]], dtype=torch.int32)

4. 指定设备

x = torch.ones(2, 2, device='cuda')
zeros = x.new_zeros((3, 3), device='cpu')  # 在 CPU 上创建新张量
print(zeros)
# 输出:
# tensor([[0., 0., 0.],
#         [0., 0., 0.],
#         [0., 0., 0.]])

---

与其他创建零张量的方法的对比

1. torch.zeros

   zeros = torch.zeros((2, 3))

• • 独立于已有张量。
  • 需要显式指定数据类型和设备。

• Tensor.new_zeros

  zeros = x.new_zeros((2, 3))

• 与现有张量 x 共享设备和默认数据类型。

---

常见应用场景

1. 快速创建与输入张量匹配的零张量 在深度学习中，可能需要创建与现有张量形状和设备匹配的零张量。例如，用于初始化中间结果或辅助计算。

2. 动态操作 当输入张量的形状、设备不固定时，可以使用 new_zeros 动态生成匹配的零张量，无需手动指定设备或数据类型。

---

总结

Tensor.new_zeros 是一个高效、方便的方法，适合在动态模型或设备敏感的代码中使用。它避免了显式管理设备和数据类型的麻烦，有助于提高代码的简洁性和可维护性。