Python 火炬张量和火炬张量的区别是什么？

从版本0.4.0开始，可以使用

torch.tensor

和

torch.tensor

---

有什么区别？提供这两个非常相似且令人困惑的替代方案的原因是什么？

根据

torch.Tensor

构造函数被重载，以执行与

torch.Tensor

和

torch.empty

相同的操作。人们认为这种重载会使代码混乱，因此将

torch.Tensor

分为

torch.Tensor

和

torch.empty

---

因此，是的，在某种程度上，

torch.tensor

的工作原理与torch.tensor类似（当您传入数据时）。不，两者都不应该比另一种更有效。只是

torch.empty

和

torch.tensor

的API比

torch.tensor

构造函数好。

在PyTorch

torch中，tensor

是主要的tensor类。所以所有的张量都只是

torch.Tensor

的实例

当您调用

torch.Tensor（）

时，您将得到一个没有任何

数据的空张量

相反，
torch.tensor
是一个返回张量的函数。在报告中说：

用
数据
构造张量


这也解释了为什么通过调用以下命令创建没有数据的空“torch.tensor”tensor实例没有问题：
tensor_without_data = torch.Tensor()

但另一方面：

tensor_without_data = torch.tensor()

将导致错误：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-12-ebc3ceaa76d2> in <module>()
----> 1 torch.tensor()

TypeError: tensor() missing 1 required positional arguments: "data"

输出：

tensor([])

除了上面的答案，我注意到
torch.Tensor（）
将使用默认数据类型初始化Tensor（如
torch.get\u default\u dtype（）
中的定义）<另一方面，code>torch.tensor（）

将从数据中推断数据类型

比如说,

tensor_arr = torch.tensor([[2,5,6],[9,7,6]])
tensor_arr

将打印：

张量（[[2,5,6]，[9,7,6]]）

及

将打印：

张量（[2,5,6.]，[9,7,6.]）

因为默认数据类型是float32。

torch.tensor自动推断数据类型，而torch.tensor 返回torch.FloatTensor。我建议你坚持 torch.tensor，如果您愿意的话，它也有像dtype这样的参数 更改类型

是创建参数时使用的常用方法（例如，）

为什么?？因为它非常快。它甚至比它快一点

输出：

torch.Tensor（）

和

与torch.empty（）

非常相似，返回一个充满未初始化数据的张量

为什么我们不在

\uuuu init\uuuu

中初始化参数，而从技术上讲这是可能的

以下是

torch.Tensor

在

nn.Linear

中实际使用的

self.weight = nn.Parameter(torch.Tensor(out_features, in_features))

我们不会根据设计对其进行初始化。还有另一种
reset\u parameters（）
方法，因为在训练过程中可能需要再次“重置”参数，所以我们在
\u init\u（）
方法末尾调用
reset\u parameters（）

也许将来，
torch.empty（）
将取代
torch.Tensor（）
，因为它们实际上是相同的

还有一个很好的选项是
reset\u parameters（）
，您可以创建自己的版本，并根据需要更改原始初始化过程

tensor_arr = torch.tensor([[2,5,6],[9,7,6]])
tensor_arr

tensor_arr = torch.Tensor([[2,5,6],[9,7,6]])
tensor_arr

import torch
torch.set_default_dtype(torch.float32) # default

%timeit torch.empty(1000,1000)
%timeit torch.Tensor(1000,1000)
%timeit torch.ones(1000,1000)
%timeit torch.tensor([[1]*1000]*1000)

68.4 µs ± 789 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
67.9 µs ± 349 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
1.26 ms ± 8.61 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
36.1 ms ± 610 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

self.weight = nn.Parameter(torch.Tensor(out_features, in_features))