torch.zeros() 函数详解

最新推荐文章于 2025-02-10 22:23:23 发布

Vertira

最新推荐文章于 2025-02-10 22:23:23 发布

阅读量7.3w

点赞数 33

分类专栏： pytorch 文章标签： pytorch 机器学习 zeros

本文链接：https://blog.csdn.net/Vertira/article/details/123045553

版权

pytorch 专栏收录该内容

92 篇文章

订阅专栏

本文介绍了PyTorch中的torch.zeros()函数，用于创建一个所有元素均为0的张量。该函数接受size参数来指定张量的形状，并可选择设置数据类型dtype、内存布局layout、设备device以及是否要求梯度requires_grad。通过示例展示了如何创建和查看张量，并解释了各参数的作用。了解这些参数可以帮助更好地理解和控制张量的创建。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

torch.zeros()函数

返回一个形状为为size,类型为torch.dtype，里面的每一个值都是0的tensor

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

测试一下：

>>> x=torch.zeros([2,5],dtype=torch.float)
>>> x
tensor([[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]])
>>> x.stride
<built-in method stride of Tensor object at 0x000002833D587540>
>>>

缺失输出全为l0的tensor。

参数说明
size: 定义tensor的shape ，这里可以是一个list 也可以是一个tuple

dtype:（可选）我不设置值默认值就是torch.set_default_tensor_type制定的值，如果需要设置那就是torch.dtype的那几个。作用是指定返回tensor的数据类型

layout:(可选)值为 torch.layout。 torch.layout表示torch.Tensor内存布局的对象。有torch.strided(dense Tensors 默认)并为torch.sparse_coo(sparse COO Tensors)提供实验支持。
torch.strided代表密集张量，是最常用的内存布局。每个strided张量都会关联一个torch.Storage，它保存着它的数据。这些张力提供了多维度，存储的strided视图。Strides是一个整数型列表：k-th stride表示在张量的第k维从一个元素跳转到下一个元素所需的内存。关于这里的理解请看demo2

device：（可选）就是创建的tensor存放的device,这里就不做赘述了，大致概念了解看这里\

requires_grad: (可选)是bool 类型的值，默认值是False .因为 pytorch 后期的版本将Varibale 和Tensor进行合并了，这里的如果设置为Flase 表示再反响传播的时候不会对这个节点机型求导，如果你对tensorflow熟悉，