在深度学习中，我们经常需要初始化各种形状的张量（Tensor）。
有时，这些张量的初始值是固定的，比如全零或全一矩阵。
在 PyTorch 中，torch.ones() 就是一个用于创建所有元素都为 1 的张量 的高效函数。
本文将深入介绍它的用法、参数、返回值和常见应用场景。
文章目录
-
- [一、`torch.ones()` 是什么？](#一、
torch.ones()是什么？) - 二、函数语法
- 三、参数说明
- 四、基本用法示例
-
- [🎯 示例 1：创建一个 2×3 的全 1 张量](#🎯 示例 1：创建一个 2×3 的全 1 张量)
- [🎯 示例 2：指定数据类型和设备](#🎯 示例 2：指定数据类型和设备)
- [🎯 示例 3：创建 GPU 上的张量](#🎯 示例 3：创建 GPU 上的张量)
- [🎯 示例 4：设置 `requires_grad=True`](#🎯 示例 4：设置
requires_grad=True)
- [五、创建不同维度的全 1 张量](#五、创建不同维度的全 1 张量)
- 六、与其他张量创建函数的对比
- [七、基于现有张量创建全 1 张量](#七、基于现有张量创建全 1 张量)
-
- [🎯 torch.ones_like()示例：](#🎯 torch.ones_like()示例：)
- 八、常见应用场景
- [⚠️ 九、注意事项](#⚠️ 九、注意事项)
- [📚 参考资料](#📚 参考资料)
- [一、`torch.ones()` 是什么？](#一、
一、torch.ones() 是什么？
torch.ones() 是 PyTorch 中的张量创建函数之一，用于生成一个指定形状、全部元素为 1 的张量。
它常用于：
- 初始化权重矩阵
- 占位符（placeholder）张量
- 模型调试与测试
- 掩码（mask）或逻辑矩阵构造
二、函数语法
python
torch.ones(size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)三、参数说明
| 参数 | 类型 | 说明 |
|---|---|---|
size |
tuple 或 int |
张量的形状（如 (2, 3)） |
out |
Tensor |
可选参数，用于输出结果的张量 |
dtype |
torch.dtype |
数据类型（如 torch.float32、torch.int64） |
layout |
torch.layout |
内存布局（一般使用默认值 torch.strided） |
device |
torch.device |
张量所在设备（如 'cpu' 或 'cuda'） |
requires_grad |
bool |
是否需要计算梯度（用于自动求导） |
四、基本用法示例
🎯 示例 1：创建一个 2×3 的全 1 张量
python
import torch
x = torch.ones(2, 3)
print(x)输出：
plain
tensor([[1., 1., 1.],
[1., 1., 1.]])🎯 示例 2：指定数据类型和设备
python
x = torch.ones((2, 3), dtype=torch.int32, device='cpu')
print(x)
print(x.dtype)输出：
plain
tensor([[1, 1, 1],
[1, 1, 1]], dtype=torch.int32)
torch.int32🎯 示例 3：创建 GPU 上的张量
python
x = torch.ones((3, 3), device='cuda')
print(x)
print(x.device)输出（若有 GPU）：
plain
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], device='cuda:0')🎯 示例 4：设置 requires_grad=True
当你希望张量参与梯度计算（例如模型参数）时：
python
x = torch.ones((2, 2), requires_grad=True)
print(x)输出：
plain
tensor([[1., 1.],
[1., 1.]], requires_grad=True)此时，PyTorch 会追踪该张量的计算图，用于反向传播。
五、创建不同维度的全 1 张量
| 维度 | 调用方式 | 输出形状 |
|---|---|---|
| 一维 | torch.ones(5) |
[5] |
| 二维 | torch.ones(2, 3) |
[2, 3] |
| 三维 | torch.ones(2, 3, 4) |
[2, 3, 4] |
| 四维 | torch.ones(2, 3, 4, 5) |
[2, 3, 4, 5] |
示例：
python
x = torch.ones(2, 3, 4)
print(x.shape)输出：
plain
torch.Size([2, 3, 4])六、与其他张量创建函数的对比
| 函数 | 功能 | 示例 |
|---|---|---|
torch.ones() |
创建全 1 张量 | torch.ones(2,3) |
torch.zeros() |
创建全 0 张量 | torch.zeros(2,3) |
torch.full() |
创建固定值张量 | torch.full((2,3), 5) |
torch.eye() |
创建单位矩阵 | torch.eye(3) |
torch.rand() |
创建随机张量（0~1） | torch.rand(2,3) |
七、基于现有张量创建全 1 张量
有时我们希望创建一个与现有张量形状相同的全 1 张量。
这时可以使用 torch.ones_like()。
🎯 torch.ones_like()示例：
python
a = torch.randn(2, 3)
b = torch.ones_like(a)
print(a)
print(b)输出：
plain
tensor([[-0.5, 0.3, 1.2],
[ 0.8, -1.0, 0.4]])
tensor([[1., 1., 1.],
[1., 1., 1.]])👉 ones_like() 会自动匹配原张量的形状、数据类型与设备。
八、常见应用场景
初始化权重或偏置
在模型定义中，可以使用 torch.ones() 初始化权重或偏置，方便调试：
python
w = torch.ones((3, 3), requires_grad=True)
b = torch.ones(3)逻辑掩码（Mask）
在需要构造全 1 掩码的场景中（如注意力机制、序列填充）：
python
mask = torch.ones((4, 5))
masked_tensor = some_tensor * mask模型测试或占位
在模型推理（inference）或测试阶段，使用全 1 张量作为输入占位：
python
dummy_input = torch.ones((1, 3, 224, 224))
output = model(dummy_input)⚠️ 九、注意事项
- 数据类型默认是
torch.float32，若需整数张量需手动指定dtype。 torch.ones()创建的是新的张量，与已有张量无关联。- 若在 GPU 上创建张量，确保设置
device='cuda'，否则仍会在 CPU 上。 - 对需要求导的张量，必须设置
requires_grad=True。
📚 参考资料
