[PyTorch深度学习]--torch.Tensor 和 torch.tensor

在PyTorch中，torch.Tensor和torch.tensor都用于生成新的张量，但二者之间有一些区别。

一、 torch.Tensor和torch.tensor的区别

1. 首字母大小写区别：

   • torch.Tensor：Tensor是一个类，代表PyTorch底层的张量操作和方法。
   • torch.tensor：tensor是一个函数，用于创建张量对象。

2. 默认参数区别：

   • torch.Tensor：使用它创建的张量对象没有指定数据类型，因此其默认为浮点数类型（float32），其值取决于内存中的随机数据。（注：使用torch.Tensor创建张量对象会根据给定的数据进行初始化，输出结果将是根据给定数据初始化后的张量。即如果输入是一个张量，那么返回的张量与输入张量具有相同的属性。）
   • torch.tensor：根据给定的数据创建一个张量对象，并自动推断数据类型。可以接受多种数据类型作为输入参数，例如列表、元组、数组等。

二、实例分析

下面是使用三者创建张量的例子：

import torch

# 创建一个大小为 2x2 的空张量
t0 = torch.Tensor(2, 2)
print(t0)

# 使用 torch.Tensor 类型创建张量
t1 = torch.Tensor([[1, 2], [3, 4]])
print(t1)

# 使用 torch.tensor 函数创建张量
t2 = torch.tensor([[1, 2], [3, 4]])
print(t2)

输出结果为：

tensor([[-6.4942e+35,  3.1026e-41],
        [-6.4939e+35,  3.1026e-41]])
tensor([[1., 2.],
        [3., 4.]])
tensor([[1, 2],
        [3, 4]])

在上述代码举例中，首先使用了torch.Tensor类来创建一个没有初始化数值的张量对象t0。打印t0时，它显示了根据内存中的随机数据创建的张量。而使用torch.Tensor创建张量对象会根据给定的数据t1进行初始化，输出结果将是根据给定数据t1初始化后的张量。

而后，使用torch.tensor函数创建一个张量对象t2，并将给定的数据作为输入参数。打印t2时，它显示了我们提供的数据创建的张量。

需要注意的是，torch.tensor函数是比较灵活的，可以接受各种数据类型作为输入参数，并且会自动推断数据类型。而torch.Tensor类创建的张量则具有随机初始值。

综上，torch.Tensor是一个类，代表底层的张量操作和方法，而torch.tensor是一个函数，用于根据给定的数据创建张量对象，并自动推断数据类型。

三、小结

总的来说，torch.tensor 和torch.Tensor的使用方法有所不同，前者更加灵活，可以接受多种类型的输入，并返回新的张量对象；后者则主要用于创建空的张量对象。