torch.tensor

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

通过复制数据来构建一个没有自动求梯度历史记录的张量（也称为“叶子张量”，详情见自动微分机制）。

警告

在处理张量时，为了提高可读性，建议使用torch.Tensor.clone()、torch.Tensor.detach() 和 torch.Tensor.requires_grad_()。假设t是一个张量，torch.tensor(t)等同于t.clone().detach()，而torch.tensor(t, requires_grad=True)等同于t.clone().detach().requires_grad_(True)。

参见

torch.as_tensor() 保留自动微分历史，并尽可能避免复制。torch.from_numpy() 创建一个与 NumPy 数组共享存储的张量。

参数

data (array_like) – 张量的初始数据，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) – 返回张量的数据类型。默认情况下，如果未指定 None，则根据 data 推断数据类型。

• device (torch.device, 可选) – 构造张量时使用的设备。如果为 None，且 data 是一个张量，则使用 data 的设备；如果为 None 且 data 不是张量，则结果张量在当前设备上创建。

• requires_grad (bool, optional) – 是否启用自动求导记录返回的张量上的操作。默认值：False。

• pin_memory (bool, 可选) – 如果启用，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：

>>> 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([])