PyTorch张量（Tensor）创建的方式汇总详解和代码示例

在 PyTorch 中，张量（Tensor）是所有计算的基础数据结构，类似于 NumPy 的 ndarray，但支持 GPU 运算与自动求导。下面详细汇总 PyTorch 中张量的创建方式 及其代码示例：

---

一、基于数据创建张量

1. torch.tensor(data)

将列表、元组、NumPy 数组等数据直接转为张量。

import torch
import numpy as np

# 从列表创建
a = torch.tensor([1, 2, 3])
print(a)

# 从嵌套列表创建多维张量
b = torch.tensor([[1, 2], [3, 4]])
print(b)

# 从 NumPy 创建
c = torch.tensor(np.array([5, 6, 7]))
print(c)

---

二、创建特定值的张量

2. torch.zeros(size)

创建所有元素为 0 的张量。

a = torch.zeros(2, 3)  # shape: (2, 3)
print(a)

3. torch.ones(size)

创建所有元素为 1 的张量。

b = torch.ones(3, 2)
print(b)

4. torch.full(size, fill_value)

创建所有元素为指定值的张量。

c = torch.full((2, 2), 7)
print(c)

---

三、创建随机值张量

5. torch.rand(size)

在 [0, 1) 范围内均匀分布的随机值。

a = torch.rand(2, 3)
print(a)

6. torch.randn(size)

标准正态分布（均值为 0，标准差为 1）。

b = torch.randn(2, 3)
print(b)

7. torch.randint(low, high, size)

创建整数张量，区间 [low, high)。

c = torch.randint(0, 10, (2, 3))
print(c)

---

四、创建单位矩阵与对角矩阵

8. torch.eye(n, m=None)

创建一个单位矩阵（对角为 1，其余为 0）。

a = torch.eye(3)      # 3x3单位矩阵
b = torch.eye(3, 4)   # 3x4单位矩阵
print(a, b)

---

五、使用范围和步长创建张量

9. torch.arange(start, end, step)

类似于 Python 中的 range。

a = torch.arange(0, 10, 2)  # [0, 2, 4, 6, 8]
print(a)

10. torch.linspace(start, end, steps)

生成固定步数的等间距值。

b = torch.linspace(0, 1, 5)  # [0., 0.25, 0.5, 0.75, 1.]
print(b)

---

六、创建与已有张量相似的新张量

11. tensor.new_*(...) 系列（不推荐）

例如：

a = torch.tensor([1.0, 2.0, 3.0])
b = a.new_zeros(2, 2)
print(b)

12. torch.zeros_like(tensor)

根据已有张量形状创建新张量。

a = torch.ones(2, 3)
b = torch.zeros_like(a)
c = torch.ones_like(a)
d = torch.randn_like(a)
print(b, c, d)

---

七、张量创建时指定设备和数据类型

你可以指定 dtype 和 device：

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

a = torch.ones((2, 2), dtype=torch.float32, device=device)
print(a)

---

八、从 NumPy 转换 / 转回

13. torch.from_numpy(ndarray)

共享内存，修改张量或数组都会影响另一个。

import numpy as np

arr = np.array([[1, 2], [3, 4]])
tensor = torch.from_numpy(arr)
print(tensor)

14. .numpy()

将张量转为 NumPy 数组（要求在 CPU 上）。

a = torch.tensor([[1, 2], [3, 4]])
np_array = a.numpy()
print(np_array)

---

九、其他高级初始化方式

15. torch.empty(size)

创建未初始化的张量（内存内容不确定，运行速度快）。

a = torch.empty(2, 2)
print(a)

---

十、使用 requires_grad 创建可求导张量

a = torch.ones(2, 2, requires_grad=True)
print(a)

---

总结：张量创建方法对比表

方法	说明	是否可指定 dtype/device
torch.tensor()	从数据创建张量	✅
torch.zeros()	全为 0	✅
torch.ones()	全为 1	✅
torch.full()	全为指定值	✅
torch.rand()	均匀分布 [0, 1)	✅
torch.randn()	标准正态分布	✅
torch.randint()	随机整数	✅
torch.eye()	单位矩阵	✅
torch.arange()	区间整型值序列	✅
torch.linspace()	区间等间隔浮点数	✅
torch.empty()	未初始化张量	✅
torch.from_numpy()	NumPy 转张量	❌（dtype 不可变）
tensor.numpy()	张量转 NumPy	❌（仅 CPU 张量）

---