一、代码中的张量类型
| 张量类型 | 代码定义逻辑 | 维度本质（直观理解） | 实际应用场景举例 |
|---|---|---|---|
| 1D int 张量 | torch::tensor({1,2,...10}, torch::kInt32) |
一维向量（长度 10） | 标签数组、单维度特征 |
| 2D float 张量 | torch::randn({4,512}, torch::kFloat32) |
二维矩阵（4 行 512 列） | 4 个样本，每个样本 512 维特征 |
| 3D float 张量 | torch::randn({8,4,64}, torch::kFloat32) |
三维张量（8 个 4×64 的矩阵） | 8 个批次，每个批次 4×64 的特征图 |
1D的张量 步长也是stride={1}
2D张量 步长为{列数，1}
3D张量 步长为{行×列，列，1}
二、函数签名
torch::Tensor torch::tensor(
const c10::ArrayRef<T>& data,//数据源
const torch::TensorOptions& options = {}//张量配置
);使用的场景如下：
//1D
auto tensor_1d = torch::tensor({1,2,3}, torch::dtype(torch::kInt32));
//从数组创建
int arr[] = {4,5,6};
auto tensor_from_arr = torch::tensor(arr, torch::dtype(torch::kInt32));
//std::vector创建，适合动态数据
std::vector<float> vec = {1.1f, 2.2f, 3.3f};
auto tensor_from_vec = torch::tensor(vec, torch::dtype(torch::kFloat32));
//指定设备（GPU，需GPU版LibTorch）
auto tensor_gpu = torch::tensor({1,2,3},
torch::dtype(torch::kInt32).device(torch::kCUDA)
);当然，如果不指定dtype，LibTorch 会自动推断：int 列表→kInt64，float 列表→kFloat32；
如果数据量极大（如 100 万元素），torch::tensor的拷贝会非常耗时，此时用torch::from_blob也就是浅拷贝（共享内存），但需注意原数据的生命周期否则原数据释放，会导致张量野指针。
三、常用接口
| 接口 | 适用场景 | 数据来源 |
|---|---|---|
torch::tensor |
从已有 C++ 数据创建张量 | 原生数据（拷贝） |
torch::randn |
初始化权重（正态分布） | 无（生成随机数） |
torch::zeros |
初始化偏置、全零矩阵 | 无（生成 0） |
torch::ones |
生成全 1 张量 | 无（生成 1） |
补充：
张量的内存布局
连续张量的步长满足stride[i] = stride[i+1] * size[i+1]，可通过is_contiguous()判断；张量转置后会变成非连续张量，而view操作要求张量内存连续，因此转置后用view会报错，需先调用contiguous()（触发数据拷贝）转为连续张量。
张量的设备迁移
LibTorch 张量默认在 CPU，迁移到 GPU 用tensor.to(torch::kCUDA)，转回 CPU 用tensor.to(torch::kCPU)；核心考点是不同设备的张量无法直接运算，必须先统一设备，否则会报错。
张量的数据类型转换
不同数据类型（如 int、float）的张量无法直接运算，会触发类型错误；转换可使用通用方法tensor.to(torch::kFloat32)，或快捷方法tensor.float()/tensor.int()，运算前需先统一类型。
张量的形状操作
view仅支持连续张量，仅修改维度描述无数据拷贝；reshape更灵活，非连续时会自动转连续再改形状（可能拷贝）。squeeze压缩尺寸为 1 的维度，unsqueeze扩展维度（如 1D 张量转 2D 可用unsqueeze(0)）。