Pytorch2 PyTorch 张量（Tensors）完全指南

Tensors are a specialized data structure that are very similar to arrays and matrices. In PyTorch, we use tensors to encode the inputs and outputs of a model, as well as the model’s parameters.

适合：刚接触 PyTorch、想吃透核心数据结构「张量」的新手
核心内容：张量初始化、属性、常用操作、与 NumPy 互转

一、张量是什么？（核心概念）

张量（Tensor）是 PyTorch 中最核心的数据结构，可以理解为：

• 对标 NumPy 的ndarray，但支持 GPU/硬件加速器运算；
• 可自动微分（适配反向传播），是模型输入、输出、参数的载体；
• 支持高维数据（标量、向量、矩阵、多维数组），是深度学习的基础。

# 先导入必备库importtorchimportnumpyasnp

二、张量的初始化（6种常用方式）

1. 直接从数据创建

自动推断数据类型，最直观的方式：

data=[[1,2],[3,4]]x_data=torch.tensor(data)print(f"从数据创建的张量：\n{x_data}\n")

2. 从 NumPy 数组创建

张量与 NumPy 数组可共享内存，效率极高：

np_array=np.array(data)x_np=torch.from_numpy(np_array)print(f"从NumPy创建的张量：\n{x_np}\n")

3. 从其他张量创建

继承原张量的形状/数据类型（可手动覆盖）：

# 保留原张量的形状和数据类型x_ones=torch.ones_like(x_data)print(f"全1张量（继承属性）：\n{x_ones}\n")# 覆盖原张量的数据类型（转为float）x_rand=torch.rand_like(x_data,dtype=torch.float)print(f"随机张量（覆盖类型）：\n{x_rand}\n")

输出：

全1张量（继承属性）： tensor([[1, 1], [1, 1]]) 随机张量（覆盖类型）： tensor([[0.9834, 0.0852], [0.7888, 0.2935]])

4. 从随机/常量值创建

通过shape指定张量维度（元组格式）：

shape=(2,3,