学习基础知识 || 快速入门 || 张量 || 数据集与数据加载器 || 转换 || 构建模型 || 自动微分 || 优化 || 保存与加载模型

张量 ¶

创建于：2025 年 4 月 1 日 | 最后更新：2025 年 4 月 1 日 | 最后验证：2024 年 11 月 5 日

张量是一种专门的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量来编码模型的输入和输出，以及模型的参数。

张量类似于 NumPy 的 ndarrays，但张量可以在 GPU 或其他硬件加速器上运行。实际上，张量和 NumPy 数组可以共享相同的底层内存，从而消除了复制数据的需求（请参阅与 NumPy 的桥接）。张量还针对自动微分进行了优化（我们将在 Autograd 部分进一步了解这一点）。如果您熟悉 ndarrays，您将很快适应 Tensor API。如果不熟悉，请继续跟随！

import torch
import numpy as np

初始化张量 ¶

张量可以通过多种方式初始化。请看以下示例：

直接从数据初始化

张量可以直接从数据创建。数据类型会自动推断。

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)

从 NumPy 数组

张量可以从 NumPy 数组创建（反之亦然 - 请参阅与 NumPy 的桥接）。

np_array = np.array(data)
x_np = torch.from_numpy(np_array)

从另一个张量：

新张量保留参数张量的属性（形状、数据类型），除非显式覆盖。

x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")

使用随机或常量值：

shape 是张量维度的元组。在下面的函数中，它决定了输出张量的维度。

shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

---

张量的属性 ¶

张量属性描述了它们的形状、数据类型以及它们存储的设备。

tensor = torch.rand(3,4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

---

张量运算 ¶

这里全面介绍了 1200 多项张量操作，包括算术、线性代数、矩阵操作（转置、索引、切片）、采样等。

这些操作都可以在 CPU 和加速器（如 CUDA、MPS、MTIA 或 XPU）上运行。如果您使用 Colab，请通过运行时 > 更改运行时类型 > GPU 来分配加速器。

默认情况下，张量是在 CPU 上创建的。我们需要显式地将张量移动到加速器上，使用 .to 方法（在检查加速器可用性之后）。请注意，跨设备复制大型张量可能会在时间和内存方面造成高昂的代价！

# We move our tensor to the current accelerator if available
if torch.accelerator.is_available():
    tensor = tensor.to(torch.accelerator.current_accelerator())

尝试使用列表中的某些操作。如果您熟悉 NumPy API，您会发现 Tensor API 的使用非常简单。

标准 NumPy-like 索引和切片：

tensor = torch.ones(4, 4)
print(f"First row: {tensor[0]}")
print(f"First column: {tensor[:, 0]}")
print(f"Last column: {tensor[..., -1]}")
tensor[:,1] = 0
print(tensor)

张量连接您可以使用 torch.cat 沿着给定维度连接一系列张量。另见 torch.stack，另一个张量连接操作符，它与 torch.cat 略有不同。

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)

算术运算

# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
# ``tensor.T`` returns the transpose of a tensor
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)

y3 = torch.rand_like(y1)
torch.matmul(tensor, tensor.T, out=y3)


# This computes the element-wise product. z1, z2, z3 will have the same value
z1 = tensor * tensor
z2 = tensor.mul(tensor)

z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)

单元素张量 如果您有一个单元素张量，例如通过将张量的所有值聚合到一个值，您可以使用 item() 将其转换为 Python 数值。

agg = tensor.sum()
agg_item = agg.item()
print(agg_item, type(agg_item))

原地操作 将结果存储到操作数中的操作称为原地操作。它们由 _ 后缀表示。例如： x.copy_(y) ， x.t_() 将改变 x 。

print(f"{tensor} \n")
tensor.add_(5)
print(tensor)

备注

原地操作可以节省一些内存，但可能会因为立即丢失历史记录而在计算导数时出现问题。因此，不建议使用。

---

使用 NumPy 的桥梁

CPU 和 NumPy 数组可以共享其底层的内存位置，更改其中一个也会更改另一个。

张量转 NumPy 数组

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

张量的更改会反映在 NumPy 数组中。

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")

NumPy 数组转张量

n = np.ones(5)
t = torch.from_numpy(n)

NumPy 数组的变化反映在张量中。

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")