torch.tensor()

方法： 

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

作用：

创建tensor类型， 或者将数组转换成tensor类型

Parameters： 参数必选

data (array_like) – Initial data for the tensor. Can be a list, tuple, NumPy ndarray, scalar, and other types.

要转换的数据。这是一个必须参数，可以是列表、元组、NumPy ndarray、标量或其他支持的数据类型

Keyword Arguments： 可选参数

• dtype (torch.dtype, optional) – the desired data type of returned tensor. Default: if None, infers data type from data.

• 指定新张量的数据类型。如果没有指定，则自动推断data的数据类型

• device (torch.device, optional) – the device of the constructed tensor. If None and data is a tensor then the device of data is used. If None and data is not a tensor then the result tensor is constructed on the current device.

• 指定张量存储的设备，例如CPU或CUDA（GPU）

• requires_grad (bool, optional) – If autograd should record operations on the returned tensor. Default: False.

• 设置为True时，表示张量需要计算梯度，这在训练神经网络时非常有用

• pin_memory (bool, optional) – If set, returned tensor would be allocated in the pinned memory. Works only for CPU tensors. Default: False.

• 仅适用于CPU， 默认为False, 如果设置为True, 则返回的张量在固定内存中分配

官方说明： 

 

来自翻译软件：

讲述了关于如何创建一个不具有自动梯度历史（autograd history）的张量（也被称为“叶子张量”）。主要内容包括：
- 使用`.detach()`或者`torch.tensor(data)`来构建一个新的tensor，但注意使用`torch.tensor(data)`时会复制数据。
- 如果需要保留计算图并且避免数据复制，应该使用`clone()`方法后接`.detach()`操作。
- 为了仅改变`.requires_grad`属性而不改变其他状态，可以使用`t.clone().detach().requires_grad_(True)`表达式。

此外，在"SEE ALSO"部分提到了两个相关函数：
- `as_tensor()`用于在可行时保畋autograd历史并尽可能避免复制数据。
- `from_numpy()`则用于创建和NumPy数组共享内存的张量。

官方示例：

>>> 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([])