PyTorch中torch.tensor与torch.Tensor参数详解及异同对比

参数分析

tensor()方法

将其他数据类型转换为tensor型数据

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

参数：

参数	含义
data	要传入的数据,可以是列表、元组、NumPy、ndarray、标量和其他类型
dtype	数据类型，默认和data类型一致，用来修改变量类型
device ( torch.device, optional)	构造张量的设备。如果 None 并且数据是张量，则使用数据设备。如果 None 并且数据不是张量，则结果张量在 CPU 上构建。
requires_grad	是否保留对应的梯度信息，如需要保留对应的梯度信息就要带上参数requires_grad=True，默认为False
pin_memory	若值为True，返回的张量将分配在固定内存中。仅适用于 CPU 张量。默认值：False.

示例：

import torch
a=torch.tensor([1,3])
b=torch.tensor([1,3],dtype=torch.float32)
print(a)
print(b)

输出：

tensor([1, 3])
tensor([1., 3.])

Tensor()

这是python类,是默认张量类型torch.FloatTensor()的别名,我们每次调用torch.Tensor([1,2, 3, 4, 5])来构造一个tensor的时候,会调用Tensor类的构造函数,生成一个单精度浮点类型的张量。也就是说，torch.Tensor() 的作用实际上跟 torch.FloatTensor() 一样，都是生成一个数据类型为 32 位浮点数的张量，如果没传入数据就返回空张量，如果有列表或者 narray 的返回其对应张量。但无论传入数据本身的数据类型是什么，返回的都是 32 位浮点数的张量。
示例代码：

import torch
print(torch.Tensor(3))
print(torch.Tensor(3,2))
print(torch.Tensor([3,2]))

输出结果：

tensor([0., 0., 0.])
tensor([[3.1992e-12, 1.4583e-19],
        [1.0899e+27, 6.8943e+34],
        [1.1835e+22, 7.0976e+22]])
tensor([3., 2.])

torch.tensor()与torch.Tensor()表面上只是大小写的区别，但他们是不一样的两个方法，Tensor()是调用Tensor类的构造函数，而tensor()只是一个最普通的方法，下面来分析一下他们的异同：

相同点

都会返回一个Tensor类型的数据

不同点

1. Tensor()方法将数据转为tensor类型时会默认将数据转为float类型，而tensor()方法会保留原数据的数据类型；
2. Tensor（）方法除了将给定的data数据转变为tensor类型外还可生成指定维度大小的tensor数据，数据内容随机，而tensor()方法只能将给定的data数据转变为tensor类型
3. Tensor（）是 Tensor类的__init__()方法，而tensor()是一个普通的方法
   示例代码：
4. Tensor（）不能指定张量的数据类型

import torch
print(torch.Tensor(3,2))
print(torch.Tensor([3,2]))
print(torch.tensor([3,2]))

输出结果

tensor([[1.1632e+33, 3.2598e-12],
        [7.4086e+28, 7.1463e+22],
        [4.6241e+30, 1.0552e+24]])
tensor([3., 2.])
tensor([3, 2])