torch.tensor

torch.tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False) → Tensor

通过复制 data 构建一个没有自动微分历史（也称为“叶张量”，参见自动微分机制）的张量。

警告

在处理张量时，为了可读性，建议使用 torch.Tensor.clone() 、 torch.Tensor.detach() 和 torch.Tensor.requires_grad_() 。设 t 为张量， torch.tensor(t) 等价于 t.detach().clone() ， torch.tensor(t, requires_grad=True) 等价于 t.detach().clone().requires_grad_(True) 。

参见

torch.as_tensor() 保留 autograd 历史记录，并在可能的情况下避免复制。 torch.from_numpy() 创建一个与 NumPy 数组共享存储的张量。

参数:

data（array_like）- 张量的初始数据。可以是列表、元组、NumPy ndarray 、标量和其他类型。

关键字参数:

• dtype ( torch.dtype ，可选) – 返回张量的期望数据类型。默认：如果 None ，则从 data 推断数据类型。

• device ( torch.device ，可选) – 构造张量的设备。如果为 None 且 data 是张量，则使用 data 的设备。如果为 None 且 data 不是张量，则结果张量将在当前设备上构造。

• requires_grad (bool，可选) – 如果 autograd 应记录对返回张量的操作。默认： False 。

• pin_memory (bool，可选) – 如果设置，返回的张量将在固定内存中分配。仅适用于 CPU 张量。默认： False 。

示例：

>>> torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
tensor([[ 0.1000,  1.2000],
        [ 2.2000,  3.1000],
        [ 4.9000,  5.2000]])

>>> torch.tensor([0, 1])  # Type inference on data
tensor([ 0,  1])

>>> torch.tensor([[0.11111, 0.222222, 0.3333333]],
...              dtype=torch.float64,
...              device=torch.device('cuda:0'))  # creates a double tensor on a CUDA device
tensor([[ 0.1111,  0.2222,  0.3333]], dtype=torch.float64, device='cuda:0')

>>> torch.tensor(3.14159)  # Create a zero-dimensional (scalar) tensor
tensor(3.1416)

>>> torch.tensor([])  # Create an empty tensor (of size (0,))
tensor([])