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 ndarray，但张量可以在 GPU 或其他专用硬件上运行以加速计算。如果您熟悉 ndarray，您将很快适应 Tensor API。如果不熟悉，请跟随这个快速的 API 浏览。

import torch
import numpy as np

张量初始化 §

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 §

这里全面介绍了超过 100 种张量操作，包括转置、索引、切片、数学运算、线性代数、随机采样等。

每个操作都可以在 GPU 上运行（通常比 CPU 上运行速度快）。如果您使用 Colab，请通过“编辑”>“笔记本设置”来分配 GPU。

# We move our tensor to the GPU if available
if torch.cuda.is_available():
  tensor = tensor.to('cuda')
  print(f"Device tensor is stored on: {tensor.device}")

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)
tensor[:,1] = 0
print(tensor)

张量连接您可以使用 torch.cat 来沿着指定维度连接一系列张量。另见 torch.stack，这是另一种张量连接操作，与 torch.cat 略有不同。

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

张量乘法

# This computes the element-wise product
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
# Alternative syntax:
print(f"tensor * tensor \n {tensor * tensor}")

这计算两个张量之间的矩阵乘法

print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# Alternative syntax:
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")

原地操作带有 _ 后缀的操作是原地操作。例如： x.copy_(y) ， x.t_() ，将改变 x 。

print(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}")