张量（Tensors）
张量（Tensor）是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量来编码模型的输入和输出，以及模型的参数。
张量类似于 NumPy 的 ndarray，但张量可以在 GPU 或其他专用硬件上运行以加速计算。如果你熟悉 ndarray，那么使用 Tensor API 会得心应手；如果不熟悉，请跟随本快速 API 指南学习。
import torch
import numpy as np
张量初始化
张量可以通过多种方式初始化，请看以下示例：
直接从数据创建
张量可以直接从数据创建，数据类型会自动推断。
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
从 NumPy 数组创建
张量可以从 NumPy 数组创建（反之亦然，详见「与 NumPy 互操作」部分）。
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
从另一个张量创建
新张量会保留参数张量的属性（形状、数据类型），除非显式覆盖。
x_ones = torch.ones_like(x_data) # 保留 x_data 的属性
print(f"全1张量: \n {x_ones} \n")
x_rand = torch.rand_like(x_data, dtype=torch.float) # 覆盖 x_data 的数据类型
print(f"随机张量: \n {x_rand} \n")
输出结果
全1张量:
tensor([[1, 1],
[1, 1]])
随机张量:
tensor([[0.5416, 0.6049],
[0.6855, 0.0285]])
使用随机值或常量值创建
shape 是张量维度的元组，在以下函数中，它决定了输出张量的维度。
shape = (2, 3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)
print(f"随机张量: \n {rand_tensor} \n")
print(f"全1张量: \n {ones_tensor} \n")
print(f"全0张量: \n {zeros_tensor}")
输出结果
随机张量:
tensor([[0.3900, 0.2011, 0.3416],
[0.8625, 0.8022, 0.2033]])
全1张量:
tensor([[1., 1., 1.],
[1., 1., 1.]])
全0张量:
tensor([[0., 0., 0.],
[0., 0., 0.]])
张量属性
张量属性描述了张量的形状、数据类型以及存储设备。
tensor = torch.rand(3, 4)
print(f"张量形状: {tensor.shape}")
print(f"张量数据类型: {tensor.dtype}")
print(f"张量存储设备: {tensor.device}")
输出结果
张量形状: torch.Size([3, 4])
张量数据类型: torch.float32
张量存储设备: cpu
张量操作
PyTorch 提供了超过 100 种张量操作，包括转置、索引、切片、数学运算、线性代数、随机采样等，完整列表可参考官方文档。
这些操作都可以在 GPU 上运行（速度通常比 CPU 快）。如果你使用 Colab，可以通过「Edit > Notebook Settings」分配 GPU。
# 如果有可用的 GPU，将张量移到 GPU 上
if torch.cuda.is_available():
tensor = tensor.to('cuda')
print(f"张量存储设备: {tensor.device}")
输出结果
张量存储设备: cuda:0
尝试使用列表中的一些操作。如果你熟悉 NumPy API，会发现 Tensor API 非常容易使用。
标准的 NumPy 风格索引和切片
tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第二列（索引1）全部设为0
print(tensor)
输出结果
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
拼接张量
可以使用 torch.cat 沿指定维度拼接一系列张量。另一个张量拼接操作 torch.stack 与 torch.cat 略有不同，可自行了解。
t1 = torch.cat([tensor, tensor, tensor], dim=1) # 沿列维度（dim=1）拼接
print(t1)
输出结果
tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
张量乘法
# 按元素相乘
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
# 等效语法
print(f"tensor * tensor \n {tensor * tensor}")
输出结果
tensor.mul(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor * tensor
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
矩阵乘法
# 两个张量的矩阵乘法
print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# 等效语法
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")
输出结果
tensor.matmul(tensor.T)
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
tensor @ tensor.T
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
原地操作
后缀为 _ 的操作是原地操作（in-place）。例如：x.copy_(y)、x.t_() 会修改 x 本身。
print(tensor, "\n")
tensor.add_(5) # 原地加5
print(tensor)
输出结果
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])
注意
原地操作可以节省一些内存，但在计算导数时可能会因为立即丢失历史记录而出现问题。因此，不建议使用原地操作。
与 NumPy 互操作
CPU 上的张量和 NumPy 数组可以共享底层内存位置，修改其中一个会导致另一个也被修改。
张量转 NumPy 数组
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
输出结果
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
修改张量会同步反映到 NumPy 数组：
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
输出结果
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
NumPy 数组转张量
n = np.ones(5)
t = torch.from_numpy(n)
修改 NumPy 数组会同步反映到张量：
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
输出结果
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]
脚本总运行时间
0 分 0.450 秒
总结
- PyTorch 张量是类似 NumPy 数组的高性能数据结构，核心优势是支持 GPU 加速和自动微分，是深度学习的基础数据载体；
- 张量支持多种初始化方式（直接创建、从NumPy转换、从其他张量创建、随机/常量创建），以及丰富的操作（索引、拼接、乘法、原地操作等）；
- CPU 张量与 NumPy 数组共享内存，修改一方会同步影响另一方；原地操作虽节省内存，但可能影响梯度计算，不建议使用。
