目录

一、核心属性

复数支持

转置与视图操作

​元信息

​梯度相关

​二. 常用方法

​基本操作

​转置与视图

​数学运算

​深度学习相关

​3. 使用示例

​梯度计算

​设备管理

​自定义反向传播

​4. 注意事项

​总结

---

一、核心属性

1.requires_grad: _bool:

该属性标记这个张量是否需要参与梯度计算，若为Ture，则计算时追踪其梯度，反之不会

x = torch.tensor([1.0], requires_grad=True)
y = x * 2
print(y.requires_grad) 

2.retains_grad: _bool：

在requires_grad=False的情况下是否保留梯度，默认为False，用于临时计算梯度

 3.shape

张量的维度信息，类似numpy收的shape

4.data：Tensor

直接访问tensor的底层数据

5.device：_device

张量储存的设备类型（CPU/GPU）

6.dtype

数据类型

7.layout：_layout

 内存布局类型（如连续存储或稀疏等），通常无需直接操作

复数支持

real

复数张量的实部

imag

复数张量的虚部

转置与视图操作

• T: 返回二维张量的共轭转置视图（原地操作）。

  mat = torch.randn(2, 3)
  mat_T = mat.T  # 转置（无共轭）
  mat_conj_T = mat.T.conj()  # 共轭转置

• H: 返回二维张量的共轭转置视图（等价于 .conj().transpose()）。
• mT: 转置最后两个维度（适用于高维张量）。
• mH: 类似 H，但作用于多维张量的最后两个维度。

​元信息

• ndim (_int): 张量的维度数量。
• output_nr (_int): 在计算图中作为输出的序号（仅在 requires_grad=True 时有效）。
• _version (_int): 张量版本标识符（用于自动微分缓存）。
• _base (Optional[Tensor]): 如果张量是通过视图操作（如切片）创建的，指向原始张量。
• _cdata (_int): 内部 C 层面的数据指针（开发者无需直接使用）。

​梯度相关

• grad_fn (Optional[_Node]):
  记录该张量的梯度计算函数（节点），用于反向传播链追踪。
• _grad (Optional[Tensor]): 存储梯度值。
• grad (Optional[Tensor]): 公共接口访问梯度（与 _grad 同步）。
• _backward_hooks (Optional[Dict[_int, Callable]]):
  自定义反向传播钩子，用于修改梯度计算流程。

---

​二. 常用方法

​基本操作

• .clone(): 创建张量副本（独立存储）。
• .detach(): 断开与计算图的连接（返回新张量，requires_grad=False）。
• .numpy(): 转换为 NumPy 数组（需在 CPU 上且 dtype 支持）。
• .to(device, dtype=None): 移动设备并转换数据类型。

​转置与视图

• .transpose(dim1, dim2): 交换指定维度的轴。
• .reshape(*shape): 改变形状（需保持元素总数一致）。
• .squeeze(dim=None): 移除单维度轴。
• .expand(*sizes): 扩展张量为更大的尺寸（元素不复制）。

​数学运算

• .add(), .sub(), .mul(), .div() 等逐元素运算符。
• .sum(), .mean(), .max(), .min() 等聚合操作。
• 矩阵乘法：@ 运算符或 .matmul() 方法。

​深度学习相关

• .zero_(): 将所有元素置零。
• .ones_(): 将所有元素置一。
• .normal_(mean=0, std=1): 从正态分布初始化。
• .relu(), .sigmoid() 等激活函数。

---

​3. 使用示例

​梯度计算

x = torch.tensor([2.0], requires_grad=True)
y = x * x + 3
y.backward()  # 自动计算梯度
print(x.grad)    # 输出: tensor(4.0)

​设备管理

x = torch.randn(3, 3).cuda()  # 创建 GPU 张量
y = x.to("cpu")               # 移动到 CPU
z = y.to("cuda", dtype=torch.float16)  # 移动到 GPU 并转换 dtype

​自定义反向传播

def custom_backward_hook(grad):
    return grad * 2  # 修改梯度

t = torch.tensor([1.0], requires_grad=True)
t.register_backward_hook(custom_backward_hook)

# 前向计算
y = t * 2
y.backward()

print(t.grad)  # 输出: tensor(4.0) (原梯度 2.0 * 2)

---

​4. 注意事项

1. ​视图与拷贝：

   • 视图操作（如切片、转置）不会复制数据，修改视图会影响原张量。
   • 使用 .clone() 或 .copy() 创建独立副本。

2. ​内存优化：

   • 优先使用视图操作（如 .reshape()）而非复制数据。

3. ​混合精度训练：

   • 通过 .to(dtype=torch.float16) 启用 FP16 训练，需 GPU 支持。

4. ​避免常见错误：

   • 在 requires_grad=False 的张量上调用 .backward() 会报错。
   • 确保计算图的 grad_fn 链未被意外切断。

---

​总结

PyTorch 张量的属性和方法设计旨在简化深度学习开发流程，同时保持灵活性和高效性。理解这些属性（尤其是梯度相关和设备管理）对编写高性能模型至关重要。建议结合官方文档和实际案例深入学习具体用法。