Python PyTorch tensor用法及代碼示例

本文簡要介紹python語言中 torch.tensor 的用法。

用法:

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

參數：

data(array_like) -張量的初始數據。可以是列表、元組、NumPy ndarray、標量和其他類型。

關鍵字參數：

• dtype(torch.dtype， 可選的) -返回張量的所需數據類型。默認值：如果 None ，則從 data 推斷數據類型。

• device(torch.device， 可選的) -返回張量的所需設備。默認值：如果 None ，使用當前設備作為默認張量類型(參見 torch.set_default_tensor_type() )。 device 將是 CPU 張量類型的 CPU 和 CUDA 張量類型的當前 CUDA 設備。

• requires_grad(bool,可選的) -如果 autograd 應該在返回的張量上記錄操作。默認值：False。

• pin_memory(bool,可選的) -如果設置，返回的張量將被分配到固定內存中。僅適用於 CPU 張量。默認值：False。

用 data 構造一個張量。

警告

torch.tensor() 始終複製 data 。如果您有張量 data 並希望避免複製，請使用 torch.Tensor.requires_grad_() 或 torch.Tensor.detach() 。如果您有 NumPy ndarray 並希望避免複製，請使用 torch.as_tensor() 。

警告

當 data 是張量 x 時，torch.tensor() 從傳遞的任何內容中讀取“數據”，並構造一個葉變量。因此 torch.tensor(x) 等效於 x.clone().detach() 且 torch.tensor(x, requires_grad=True) 等效於 x.clone().detach().requires_grad_(True) 。建議使用 clone() 和 detach() 的等效項。

例子：

>>> 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 torch.cuda.DoubleTensor
tensor([[ 0.1111,  0.2222,  0.3333]], dtype=torch.float64, device='cuda:0')

>>> torch.tensor(3.14159)  # Create a scalar (zero-dimensional tensor)
tensor(3.1416)

>>> torch.tensor([])  # Create an empty tensor (of size (0,))
tensor([])