在深度学习和数值计算中，Tensor 是基础数据结构，类似于多维数组。作为一个高效的深度学习框架，PyTorch 提供了多种方便的方式来创建和操作 Tensor。本篇博客将详细介绍 PyTorch 中几种常见的 Tensor 创建方法，并附带代码示例和解释，帮助大家轻松掌握这些操作。
目录：
- 创建全0 Tensor (
torch.zeros) - 创建全1 Tensor (
torch.ones) - 创建单位矩阵 (
torch.eye) - 基础 Tensor (
torch.Tensor) - 创建指定类型的 Tensor (
torch.IntTensor) - 创建随机数 Tensor (
torch.randn) - 创建范围 Tensor (
torch.arange)
1. 创建全0 Tensor：torch.zeros
import torch
# 创建一个形状为 (3, 3) 的全0 Tensor
zero_tensor = torch.zeros(3, 3)
print("全0 Tensor:")
print(zero_tensor)
解释：
torch.zeros(3, 3)会创建一个 3x3 的 Tensor，其中所有元素都为 0。- 典型用途：适用于初始化模型中的权重矩阵，或作为占位符。
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
2. 创建全1 Tensor：torch.ones
# 创建一个形状为 (3, 3) 的全1 Tensor
ones_tensor = torch.ones(3, 3)
print("\n全1 Tensor:")
print(ones_tensor)
解释：
torch.ones(3, 3)会创建一个 3x3 的 Tensor，其中所有元素都为 1。- 典型用途：常用于初始化偏置或者默认值为1的占位符。
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
3. 创建单位矩阵：torch.eye
# 创建一个 3x3 的单位矩阵
eye_tensor = torch.eye(3, 3)
print("\n单位矩阵 Tensor:")
print(eye_tensor)
解释：
torch.eye(3, 3)会创建一个 3x3 的单位矩阵，对角线元素为 1，其他元素为 0。- 典型用途：常用于线性代数中的矩阵运算，也可用于初始化某些权重矩阵。
tensor([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
4. 基础 Tensor：torch.Tensor
# 通过列表创建一个 1维 Tensor
list_tensor = torch.Tensor([1, 3])
print("\n基础 Tensor:")
print(list_tensor)
解释：
torch.Tensor([1, 3])会根据提供的列表[1, 3]创建一个一维 Tensor。- 典型用途：用于将现有数据直接转换为 Tensor，以便在后续模型训练中使用。
tensor([1., 3.])
5. 创建指定类型的 Tensor：torch.IntTensor
# 创建一个 Int 类型的 Tensor
int_tensor = torch.IntTensor([1, 2])
print("\n指定类型 (IntTensor) Tensor:")
print(int_tensor)
解释：
torch.IntTensor([1, 2])创建一个整数类型的 Tensor。- 典型用途：用于需要明确数据类型为整数的情况，特别是涉及整数计算时。
tensor([1, 2], dtype=torch.int32)
6. 创建随机数 Tensor：torch.randn
# 创建一个形状为 (3, 3) 的随机数 Tensor
random_tensor = torch.randn(3, 3)
print("\n随机数 Tensor:")
print(random_tensor)
解释：
torch.randn(3, 3)创建一个 3x3 的 Tensor，其元素来自标准正态分布（均值为0，方差为1）。- 典型用途：常用于初始化权重矩阵、生成随机噪声，或模拟随机数据。
tensor([[-0.6251, 0.1234, 1.7890],
[ 0.4321, -1.2345, -0.9876],
[ 1.2345, -0.4567, 0.5678]])
7. 创建范围 Tensor：torch.arange
# 创建一个值从 0 到 n-1 的 Tensor
range_tensor = torch.arange(9).reshape(3, 3)
print("\n0到n-1 Tensor:")
print(range_tensor)
解释：
torch.arange(9)创建一个从 0 到 8 的一维 Tensor。reshape(3, 3)将其重塑为 3x3 的二维 Tensor。- 典型用途：用于生成有规律的数字序列，可在模型训练中用于循环控制或作为示例数据。
tensor([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
总结
通过本篇博客，你已经学会了 PyTorch 中常见的几种 Tensor 创建方式。它们在深度学习模型的构建、数据处理以及矩阵运算中都扮演着至关重要的角色。无论是初始化权重、生成随机数据，还是定义特定类型的 Tensor，都可以用这些方法高效实现。
希望这篇博客能帮助你在实际项目中更好地应用 PyTorch！
