分类目录：《深入浅出Pytorch函数》总目录
相关文章：
· 深入浅出TensorFlow2函数——tf.constant
· 深入浅出Pytorch函数——torch.tensor
· 深入浅出Pytorch函数——torch.as_tensor
· 深入浅出Pytorch函数——torch.Tensor
· 深入浅出PaddlePaddle函数——paddle.to_tensor
torch.Tensor是包含单一数据类型元素的多维矩阵。有几种主要的方法来创建张量，这取决于你的用途：
- 要使用预先存在的数据创建张量，可使用
torch.tensor() - 要创建具有特定大小的张量，请使用
torch.*张量创建操作 - 要创建与另一个张量大小相同(类型相似)的张量，请使用
torch.*_like张量创建操作 - 要创建与另一个张量类型相似但大小不同的张量，请使用
tensor.new_*张量创建操作
数据类型
Torch定义了10种具有CPU和GPU变体的张量类型，如下所示：
| 数据类型 | dtype | CPU | GPU |
|---|---|---|---|
| 32位浮点数 | torch.float32/torch.float | torch.FloatTensor | torch.cuda.FloatTensor |
| 64位浮点数 | torch.float64/torch.double | torch.DoubleTensor | torch.cuda.DoubleTensor |
| 16位浮点数① | torch.float16/torch.half | torch.HalfTensor | torch.cuda.HalfTensor |
| 16位浮点数② | torch.bfloat16 | torch.BFloat16Tensor | torch.cuda.BFloat16Tensor |
| 32位复数 | torch.complex32/torch.chalf | – | – |
| 64位复数 | torch.complex64/torch.cfloat | – | – |
| 128位复数 | torch.complex128/torch.cdouble | – | – |
| 8位整数(无符号) | torch.uint8 | torch.ByteTensor | torch.cuda.ByteTensor |
| 8位整数(有符号) | torch.int8 | torch.CharTensor | torch.cuda.CharTensor |
| 116位整数(有符号) | torch.int16/torch.short | torch.ShortTensor | torch.cuda.ShortTensor |
| 32位整数(有符号) | torch.int32/torch.int | torch.IntTensor | torch.cuda.IntTensor |
| 64位整数(有符号) | torch.int64/torch.long | torch.LongTensor | torch.cuda.LongTensor |
| 布尔代数 | torch.bool | torch.BoolTensor | torch.cuda.BoolTensor |
| 量化的8位整数(无符号) | torch.quint8 | torch.ByteTensor | – |
| 量化的8位整数(带符号) | torch.qint8 | torch.CharTensor | – |
| 量化的32位整数(带符号) | torch.qint32 | torch.IntTensor | – |
| 量化的4位整数(无符号) | torch.quint4x2 | torch.ByteTensor | – |
实例
>>> torch.tensor([[1., -1.], [1., -1.]])tensor([[ 1.0000, -1.0000],[ 1.0000, -1.0000]])>>> torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))tensor([[ 1,2,3],[ 4,5,6]])可以使用Python的索引和切片符号来访问和修改张量的内容：
>>> x = torch.tensor([[1, 2, 3], [4, 5, 6]])>>> print(x[1][2])tensor(6)>>> x[0][1] = 8>>> print(x)tensor([[ 1,8,3],[ 4,5,6]])张量可以通过requires_grad=True方式创建以便torch.autograd记录对它们的操作，以便自动微分：
>>> x = torch.tensor([[1., -1.], [1., 1.]], requires_grad=True)>>> out = x.pow(2).sum()>>> out.backward()>>> x.gradtensor([[ 2.0000, -2.0000],[ 2.0000,2.0000]])每个张量都有一个相关的torch.Storage，它保存其数据。张量类还提供多维的，大步前进存储器的视图，并在其上定义数字操作。