🔥 PyTorch 张量基础：零张量/一张量/指定值张量全解析
- 一、开篇：为什么要学习标准化张量创建？
- [二、核心张量创建函数总览 📊](#二、核心张量创建函数总览 📊)
- [三、张量创建逻辑可视化 🎯](#三、张量创建逻辑可视化 🎯)
- [四、逐函数精讲 + 关键代码演示 💻](#四、逐函数精讲 + 关键代码演示 💻)
-
- [1. 全一张量：ones() & ones_like()](#1. 全一张量：ones() & ones_like())
- [2. 全零张量：zeros() & zeros_like()](#2. 全零张量：zeros() & zeros_like())
- [3. 指定值张量：full() & full_like()](#3. 指定值张量：full() & full_like())
- [五、高频应用场景深度解读 ✨](#五、高频应用场景深度解读 ✨)
-
- [场景 1：线性模型偏置初始化](#场景 1：线性模型偏置初始化)
- [场景 2：计算机视觉图像生成](#场景 2：计算机视觉图像生成)
- [场景 3：形状对齐与数据匹配](#场景 3：形状对齐与数据匹配)
- [六、高效编码小技巧 ⚡](#六、高效编码小技巧 ⚡)
- [七、课后任务 📌](#七、课后任务 📌)
- [八、总结 🎯](#八、总结 🎯)
张量（Tensor）作为 PyTorch 的核心数据载体，是深度学习模型构建、数据处理、数值计算的基石。在实际开发中，快速创建规范的初始化张量，是提升代码效率、保证模型训练稳定性的关键一步。
本文将深度拆解 PyTorch 中全零张量、全一张量、指定值张量的创建方法、核心语法、应用场景，搭配可视化图表与关键代码，带你彻底掌握张量初始化的核心技巧！
一、开篇：为什么要学习标准化张量创建？
在深度学习任务中，我们很少直接使用随机张量完成初始化------
✅ 线性回归需要偏置项初始化为 0
✅ 图像预处理需要生成全白/全黑掩码图
✅ 模型权重初始化需要统一数值的张量
✅ 基于现有张量形状快速生成匹配张量
这些高频场景，都依赖 zeros/ones/fill 系列函数。掌握它们，能让你的代码更简洁、更高效、更易维护！
二、核心张量创建函数总览 📊
为了让大家直观对比函数差异，先通过表格汇总核心 API：
| 函数名称 | 核心功能 | 传参方式 | 适用场景 |
|---|---|---|---|
torch.ones() |
创建全 1 张量 | 直接传入形状 (h, w) |
初始化权重、生成全 1 掩码 |
torch.ones_like() |
按现有张量形状创建全 1 张量 | 传入 Tensor 对象 | 形状匹配、数据对齐 |
torch.zeros() |
创建全 0 张量 | 直接传入形状 (h, w) |
偏置项初始化、全黑图 |
torch.zeros_like() |
按现有张量形状创建全 0 张量 | 传入 Tensor 对象 | 与输入数据形状统一 |
torch.full() |
创建指定值张量 | size=(h,w), fill_value=val |
自定义数值张量（如全 255 图） |
torch.full_like() |
按现有张量形状创建指定值张量 | 传入 Tensor + 填充值 | 图像掩码、自定义初始化 |
📌 表格说明：_like 后缀函数无需手动指定形状，自动复用输入张量的维度，是工程开发中的首选写法。 |
三、张量创建逻辑可视化 🎯
为了帮你理解 直接创建 与 _like 创建 的核心区别，用 Mermaid 流程图展示执行逻辑：
是✅
否❌
输入需求
是否需要匹配现有张量形状?
使用 ones_like/zeros_like/full_like
使用 ones/zeros/full 直接指定尺寸
自动继承张量形状+填充目标值
手动定义维度+填充目标值
生成目标初始化张量
图表说明：
-
当你需要和已有数据（如图像、特征图）维度对齐时，优先选择
_like系列函数； -
当你需要自定义维度时，直接使用基础函数指定行列数即可；
-
两种路径最终都会生成标准化的初始化张量，满足不同开发需求。
四、逐函数精讲 + 关键代码演示 💻
1. 全一张量：ones() & ones_like()
全 1 张量是最常用的初始化张量之一，常用于权重初始化、归一化计算。
核心代码（关键片段）
python
import torch
# 1. 直接创建：2行3列全一张量
tensor_ones = torch.ones(2, 3)
# 2. 基于现有张量形状创建
src_tensor = torch.tensor([[1,2],[3,4]]) # 2x2 原始张量
new_ones = torch.ones_like(src_tensor) # 自动生成 2x2 全 1 张量文字解析
-
torch.ones(shape)：直接接收维度参数，快速生成指定大小的全 1 张量； -
torch.ones_like(tensor)：零维度出错风险，完全继承输入张量的形状，工程中更安全。
2. 全零张量：zeros() & zeros_like()
全零张量是深度学习偏置项（bias）初始化 的标准选择，在公式 y = w x + b y = wx + b y=wx+b 中，默认将 b b b 初始化为全 0。
核心代码（关键片段）
python
# 直接创建 3x3 全零张量
tensor_zeros = torch.zeros(3, 3)
# 基于现有张量生成全零张量
zeros_like_tensor = torch.zeros_like(src_tensor)文字解析
全零张量的核心价值：无干扰初始化，让模型训练从纯线性关系起步，避免初始偏置影响收敛速度。
3. 指定值张量：full() & full_like()
这是最灵活的张量创建方式，可填充任意数值，255 是图像领域的高频值（RGB 白色上限、灰度图最大值）。
核心代码（关键片段）
python
# 创建 2x3 全 255 张量（图像全白图专用）
tensor_full = torch.full(size=(2, 3), fill_value=255)
# 基于现有形状生成指定值张量
full_like_tensor = torch.full_like(src_tensor, fill_value=100)文字解析
-
fill_value可自定义任意数值，整数、浮点数均可； -
图像任务中：0 = 纯黑，255 = 纯白，是掩码图、分割任务的核心初始化方式。
五、高频应用场景深度解读 ✨
场景 1：线性模型偏置初始化
在 y = w x + b y = wx + b y=wx+b 中，偏置项必须用全零张量初始化，保证模型初始状态无偏移。
这也是 zeros() 函数最经典的工业级用法。
场景 2：计算机视觉图像生成
RGB 图像像素值范围：0 ~ 255
-
全黑图：
zeros()/zeros_like() -
全白图：
full(fill_value=255)/full_like(..., 255)
这是图像掩膜、绘制轮廓、数据增强的基础操作。
场景 3：形状对齐与数据匹配
处理批量数据时，输入张量形状不固定，手动写死维度极易报错。
_like 系列函数完美解决这个问题，自动匹配形状，零报错。
六、高效编码小技巧 ⚡
-
导包快捷键 ：PyTorch 开发中，
Alt + 回车一键导包，提升效率； -
代码排版 ：
Alt + Shift + ↓快速移动代码行，让结构更清晰； -
优先选择 ：能用
_like就不用手动指定形状，降低 Bug 率。
七、课后任务 📌
-
找班任获取电子名单，用于课堂随机提问；
-
动手实践：用今天学到的函数，分别创建全零、全一、全 255 张量；
-
尝试用
_like函数，基于自定义张量生成匹配形状的初始化张量。
八、总结 🎯
✅ 基础三剑客 ：zeros/ones/full → 自定义形状创建张量
✅ 安全三剑客 ：zeros_like/ones_like/full_like → 自动匹配形状
✅ 核心价值：代码简洁、零错误、工业标准、覆盖 80% 初始化场景
✅ 图像口诀：0 是黑，255 是白，线性模型偏置用零最稳妥
PyTorch 张量初始化是深度学习的第一步，也是最关键的一步。把基础打扎实，后续模型构建、训练调优都会事半功倍！