torch.tensor

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

通过复制 data，构造一个没有 autograd 历史的 tensor（也称为“叶子 tensor”，参见 Autograd 机制）。

警告

使用 tensor 时，为提高可读性，优先使用 torch.Tensor.clone()、torch.Tensor.detach() 和 torch.Tensor.requires_grad_()。假设 t 是一个 tensor，则 torch.tensor(t) 等价于 t.detach().clone()，而 torch.tensor(t, requires_grad=True) 等价于 t.detach().clone().requires_grad_(True)。

另请参见

torch.as_tensor() 会保留 autograd 历史，并尽可能避免复制。torch.from_numpy() 会创建一个与 NumPy 数组共享存储的 tensor。

参数

data (array_like) – tensor 的初始数据。可以是列表、元组、NumPy ndarray、标量或其他类型。

关键字参数

• dtype (torch.dtype, 可选) – 返回 tensor 期望的数据类型。默认值：如果为 None，则从 data 推断数据类型。

• device (torch.device, 可选) – 构造的 tensor 所在的设备。如果为 None 且 data 是 tensor，则使用 data 的设备。如果为 None 且 data 不是 tensor，则在当前设备上构造结果 tensor。

• requires_grad (bool, 可选) – 如果 autograd 应记录返回 tensor 上的操作。默认值：False。

• pin_memory (bool, 可选) – 如果设置为 True，返回的 tensor 将分配在 pinned memory 中。仅适用于 CPU tensor。默认值：False。

示例

>>> torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
tensor([[ 0.1000,  1.2000],
        [ 2.2000,  3.1000],
        [ 4.9000,  5.2000]])

>>> torch.tensor([0, 1])  # Type inference on data
tensor([ 0,  1])

>>> torch.tensor([[0.11111, 0.222222, 0.3333333]],
...              dtype=torch.float64,
...              device=torch.device('cuda:0'))  # creates a double tensor on a CUDA device
tensor([[ 0.1111,  0.2222,  0.3333]], dtype=torch.float64, device='cuda:0')

>>> torch.tensor(3.14159)  # Create a zero-dimensional (scalar) tensor
tensor(3.1416)

>>> torch.tensor([])  # Create an empty tensor (of size (0,))
tensor([])