torch.Tensor.new_tensor

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

返回一个新的张量，其中 data 作为张量数据。默认情况下，返回的张量具有与该张量相同的 torch.dtype 和 torch.device。

警告

new_tensor() 始终复制 data。如果您有一个张量 data 并希望避免复制，请使用 torch.Tensor.requires_grad_() 或 torch.Tensor.detach()。如果您有一个 NumPy 数组并希望避免复制，请使用 torch.from_numpy()。

警告

当数据是张量 x 时，new_tensor() 会从传递给它的任何内容中读出“数据”，并构造一个叶变量。因此，tensor.new_tensor(x) 等效于 x.clone().detach()，而 tensor.new_tensor(x, requires_grad=True) 等效于 x.clone().detach().requires_grad_(True)。建议使用使用 clone() 和 detach() 的等效方法。

参数

data (array_like) – 返回的张量复制 data。

关键字参数

• dtype (torch.dtype, 可选) – 返回张量的所需类型。默认值：如果为 None，则与该张量的 torch.dtype 相同。

• device (torch.device, 可选) – 返回张量的所需设备。默认值：如果为 None，则与该张量的 torch.device 相同。

• requires_grad (bool, 可选) – 是否应在返回的张量上记录自动微分。默认值：False。

• layout (torch.layout, 可选) – 返回张量的所需布局。默认值：torch.strided。

• pin_memory (bool, 可选) – 如果设置，返回的张量将在固定内存中分配。仅适用于 CPU 张量。默认值：False。

示例

>>> tensor = torch.ones((2,), dtype=torch.int8)
>>> data = [[0, 1], [2, 3]]
>>> tensor.new_tensor(data)
tensor([[ 0,  1],
        [ 2,  3]], dtype=torch.int8)