pytorch每日一学12(torch.tensor())tensor的创建

第12个方法

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

• 此方法用于创建pytorch中的tensor创建，此方法使用data构建并返回一个tensor。使用方法如下：

import torch
a = torch.tensor([2, 3, 5])

• 此时a就是一个具有值[2, 3, 5]的tensor。
  

• 创建浮点tensor使用

import torch
a = torch.tensor([2., 3., 5.])

• 各个参数的意思：
  • data：tensor的数据值，可以是list，tuple，NumPy ndarryay, scalar或者其它的类型。
  • dtype：用于指定生成的tensor中数据的类型，如果不进行设置，那么使用系统默认的类型，一般浮点数是torch.float32，整形是torch.int64，默认类型可以使用torch.set_default_dtype()进行更改（前面的文章讲过）。
  • device：用于指定创建的tensor存在的位置，即在cpu还是gpu上，cpu使用device='cpu'，gpu使用device='cuda'，默认为cpu，不过可以更改默认设置，使用torch.set_default_tensor_type(t)即可，以前也讲过。
  • requires_grad：用于指定创建的tensor需不需要梯度信息，如果需要设为True，否则设为False，默认为False。
  • pin_memory：如果设置为True，那么创建的tensor将会被分配到固定的内存位置，仅仅在tensor在cpu上有用，默认为False。

note: torch.tensor(）会复制数据，（不会使用原始的数据区，而是在一个新的内存复制原来的数据并生成新的tensor）如果现在我们有一个tensor data，并且不想要进行复制，那么我们使用torch.Tensor.detach()，使用此方法得到的tensor是和原来的tensor享用同样的storage，并没有进行值的复制；或者使用torch.Tensor.requires_grad_()此方法也是返回一个tensor，和原来的tensor是共用相同的storage，通过此方法可以更改已有的tensor是否需要梯度信息。
  如果data类型是NumPy ndarray并且不想进行拷贝，那么使用torch.as_tensor()。

注意torch.Tensor.这样的方法是Tensor这个类的方法，应该使用tensor直接调用，全打出来也行，但是打那么多不累吗？如下所示:

import torch
a = torch.tensor([2., 3., 5.])
b = a.detach()

• 当data（例如为x）是一个tensor时，那么我们使用此方法创建出来的tensor(torch.tensor(x))与x.clone().detach()的效果是一样的。并且torch.tensor(x, requires_grad=True)与x.clone().detach().requires_grad_(True)是一样的，并且更推荐使用clone()与detach()，虽然这几个方法还没有讲，但是大致上知道是什么意思，clone就是复制一个和现在的tensor一模一样的tensor，等到以后讲到这几个方法的时候，会更加详细的进行对比。