【PyTorch 核心】张量 (Tensor) 的创建

引言：什么是张量？

在 PyTorch 中，所有的数据运算都是通过张量 (Tensor) 来完成的。您可以将张量理解为一个多维数组，它是 PyTorch 进行深度学习计算的基本数据结构。无论是输入数据、神经网络的权重，还是模型的输出，本质上都是张量。

本文档将介绍创建 PyTorch 张量的几种基本且常用的方法。

一、张量的基本创建

1.从现有数据创建张量

这是最常用、最直观的创建方式，即根据已有的数据（如 Python 列表、NumPy 数组）来构建张量。
方法：torch.tensor()
torch.tensor() 是一个工厂函数，它会智能地分析输入数据，并创建一个具有相应数据类型和维度的张量。这是官方推荐的、从数据创建张量的首选方法。

import torch
import numpy as np

def dm01():
    #场景1： 标量 张量
    t1 = torch.tensor(10)
    print(f't1: {t1},type:{type(t1)}')

    #场景2： 二维列表——张量
    data = [[1,2,3],[4,5,6]]
    t2 = torch.tensor(data)
    print(f't2: {t2},type:{type(t2)}')

    #场景3：numpy nd数组
    data = np.random.randint(1, 10, size=(2, 3))
    t3 = torch.tensor(data)
    print(f't3: {t3},type:{type(t3)}')

if __name__ == '__main__':
    dm01()

核心优势：

• 智能：自动推断数据类型（int -> torch.int64, float -> torch.float32）。
• 安全：它会复制一份数据，而不是与原始数据（尤其是NumPy数组）共享内存。
• 灵活：可以通过 dtype 参数显式指定所需的数据类型。

2. 根据形状创建张量

有时我们需要先创建一个特定形状的“容器”张量，然后再填充数据。
方法：torch.Tensor()
torch.Tensor() 是一个类构造函数。当传入维度参数时，它会创建一个指定形状的张量。

import torch
def dm01():
    #场景1：直接创建 指定维度(例如：2行3列)张量
    t4 = torch.Tensor(2, 3)
    print(f't4: {t4},type:{type(t4)}')

if __name__ == '__main__':
    dm01()

3⚡ 核心区别对比：torch.tensor 与 torch.Tensor

二、 创建指定值张量

1. torch.ones和 torch.ones_like 创建全1张量
当你需要初始化一个单位矩阵或进行掩码操作时，全 1 张量非常有用。
torch.ones(*size): 创建指定形状的全 1 张量。
torch.ones_like(input): 创建一个与 input 形状相同的全 1 张量。

import torch

#创建2行3列全1张量
t1 = torch.ones(2, 3)
print(f't1: {t1}, type:{type(t1)}')

#t2: 3行2列
t2 = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(f't2: {t2}, type:{type(t2)}')

#t3:基于t2形状，创建全1张量
t3 = torch.ones_like(t2) #3行2列 全1矩阵
print(f't3: {t3}, type:{type(t3)}')

2. torch.zeros和torch.zeros_like创建全0张量
全 0 张量常用于 bias（偏置）的初始化或占位符。
torch.zeros(*size): 创建指定形状的全 0 张量。
torch.zeros_like(input): 创建一个与 input 形状相同的全 0 张量。

import torch

#创建2行3列 全0张量
t1 = torch.zeros(2, 3)
print(f't1: {t1}, type:{type(t1)}')

#t2: 3行2列
t2 = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(f't2: {t2}, type:{type(t2)}')

#t3:基于t2形状，创建全0张量
t3 = torch.zeros_like(t2) #3行2列 全0矩阵
print(f't3: {t3}, type:{type(t3)}')

3. torch.full和torch.full like 创建全为指定值张量
如果你需要用 0 和 1 以外的数字（例如 255、-1 等）填充张量，可以使用 full 系列方法。
torch.full(size, fill_value): 创建指定形状，并用 fill_value 填充的张量。
torch.full_like(input, fill_value): 创建与 input 同形，并用 fill_value 填充的张量。

import torch

#创建2行3列全255张量
t1 = torch.full(size=(2, 3), fill_value=255)
print(f't1: {t1}, type:{type(t1)}')

#t2: 3行2列
t2 = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(f't2: {t2}, type:{type(t2)}')

#t3:基于t2形状，创建全255张量
t3 = torch.full_like(t2, fill_value=255) #3行2列 全255矩阵
print(f't3: {t3}, type:{type(t3)}')

4. 总结

三、 创建线性和随机张量

1.创建线性张量 (Linear)
生成有规律的数值序列，类似于 Python 原生的 range，但在 PyTorch 中有两个主要选择：基于步长的 arange 和基于数量的 linspace。

1.1 torch.arange: 基于步长
类似于 Python 的 range(start, end, step)。
特点：不包含结束值 (左闭右开区间 [start, end) )。
场景：当你明确知道数值之间的间隔（步长）时使用。

1.2 torch.linspace: 基于数量
即 “Linear Space”（线性等分向量）。
特点：包含结束值 (左闭右闭区间 [start, end] )，自动计算步长。
场景：当你需要将一个区间均匀切分成 n 份时使用（例如画图时的 X 轴坐标）。

import torch

#1. 定义函数，创建线性张量
def dm01():
    # 场景1： 创建指定范围的线性张量
    # 参1：起始值， 参2：结束值， 参3：步长
    t1 = torch.arange(0, 10, 2)
    print(f't1: {t1},type:{type(t1)}')
    print('-' * 30)

    # 场景2： 创建指定范围 线性张量--等差数列
    # 参1：起始值， 参2：结束值， 参3：元素的个数
    t2 = torch.linspace(1, 10, 5)
    print(f't2: {t2},type:{type(t2)}')

if __name__ == '__main__':
    dm01()

2.创建随机张量 (Random)
在神经网络中，权重的初始化通常依赖随机数。为了保证实验结果可以复现（即每次运行生成的随机数一样），我们需要设置随机种子。

2.1 随机种子 (Random Seed)
torch.manual_seed(seed)：设置种子后，后续生成的随机序列将固定。如果不设置，默认使用系统时间戳，每次结果都不同。

2.2 常用随机函数
torch.rand: 均匀分布。生成 [0, 1) 之间的随机浮点数。
torch.randn: 标准正态分布。均值为 0，方差为 1。
torch.randint: 随机整数。在指定区间 [low, high) 内生成整数。

import torch

#2. 定义函数，创建随机张量
def dm02():
    #step1: 设置随机种子
    #torch.initial_seed()  #默认采用当前系统的时间戳作为随机种子
    torch.manual_seed(3)  #设置随机种子
    #step2: 创建随机张量
    
    #场景1：均匀分布的（0，1）随机张量
    t1 = torch.rand(size=(2, 3))
    print(f't1: {t1},type:{type(t1)}')
    print('-' * 30)

    #场景2：符合正态分布的随机张量
    t2 = torch.randn(size=(2, 3))
    print(f't1: {t2},type:{type(t2)}')
    print('-' * 30)

    #场景3：创建随机整数张量
    t3 = torch.randint(low=1, high=10, size=(3, 5)) #3行2列 全1矩阵
    print(f't3: {t3}, type:{type(t3)}')

if __name__ == '__main__':
    dm02()

3. 核心 API 对比总结