前言

本文梳理 PyTorch 入门核心知识：张量全套创建操作。读完本文你将掌握各类张量创建 API、使用场景与代码示例。

一、深度学习基础导论

1. ML（机器学习）和 DL（深度学习）的关系与区别

基础定义

• ML（Machine Learning，机器学习）：让机器从数据里学习规律、完成预测任务的一大类方法，是一个大集合。
• DL（Deep Learning，深度学习）：属于机器学习的子集，依托多层神经网络实现学习。

核心区别

通俗理解：机器学习是"教会电脑做题"；深度学习是"教会电脑先看懂题目，再自己做题"。

2. 深度学习的 5 个核心特点

1. 多层网络结构：由多层神经元堆叠而成，"深度"一词来源于多层网络结构；层数越多，网络深度越高。
2. 自动特征提取：不需要人工设计特征，模型直接接收原始数据（图片像素、文本字符），逐层自动提炼底层、高层特征。
3. 海量数据驱动：模型参数量巨大，需要大量样本才能充分训练；数据量越大，深度学习相比传统机器学习的优势越明显。
4. 强大的拟合能力：多层非线性变换可以拟合极其复杂的数据分布，适合图像、语音、自然语言这类高难度任务。
5. 模型可解释性弱：深度网络常被称作"黑盒模型"，我们很难清晰解释模型究竟依据哪些信息输出最终结果，难以追溯推理过程。

3. 深度学习常用基础模型

• CNN（卷积神经网络，Convolutional Neural Network）
  擅长处理网格结构数据，最典型就是图片；依靠卷积操作提取局部空间特征。
  应用：图像分类、目标检测、图像分割。
• RNN（循环神经网络，Recurrent Neural Network）
  专门处理时序序列数据，拥有记忆能力，可以利用上一步的信息辅助当前计算。
  应用：语音识别、时序预测、早期文本处理。

拓展：RNN 衍生变体 LSTM、GRU；当前主流序列模型为 Transformer。

4. 深度学习典型 4 类应用场景

1. 计算机视觉（CV）
   图像识别、人脸识别、自动驾驶视觉感知、图像生成（AI 绘画）。
2. 自然语言处理（NLP）
   机器翻译、聊天大模型、文本摘要、情感分析。
3. 语音信号处理
   语音转文字、语音合成、语音降噪、声纹识别。
4. 多模态与推荐系统
   短视频内容推荐、图文跨模态检索、智能机器人感知交互。

二、张量的创建

本节学习目标

1. 掌握基础张量创建方式
2. 掌握 0/1、指定值张量创建
3. 掌握线性张量、随机张量创建
4. 掌握张量数据类型指定与完整类型转换方案

2.1 什么是张量

PyTorch 中的张量就是元素为同一种数据类型的多维矩阵。在 PyTorch 中，张量以类的形式封装，张量相关运算、处理方法都内置在类中。

张量是 PyTorch 的核心数据抽象：

• 一维张量：向量
• 二维张量：矩阵
• 更高维度张量可以用来存放图片、语音等复杂数据。

PyTorch 张量 vs NumPy 数组

二者外观相似，都是存放同类型元素的多维数组，可以互相转换，核心区别：

• 运行设备：NumPy 数组仅支持 CPU；张量支持 CPU 与 GPU（CUDA 加速）
• 自动微分：NumPy 不支持求导；张量支持梯度记录、自动求导（深度学习核心）
• 定位场景：NumPy 面向通用科学计算；张量专门服务深度学习训练

2.2 基础张量创建方式

1. torch.tensor：根据指定数据创建张量，可通过dtype直接指定元素类型
2. torch.Tensor：根据形状创建张量，也可传入数据创建张量
3. torch.IntTensor、torch.FloatTensor、torch.DoubleTensor：老式 API，创建固定类型张量

代码示例

import torch import numpy as np 创建指定类型张量 t1 = torch.tensor([1, 2, 3, 4, 5], dtype=torch.float) # torch.float 等价 float32 print(f't1: {t1}, (元素)类型: {t1.dtype}, (张量对象)类型: {type(t1)}') 标量（0 维张量） t2 = torch.tensor(10) print(f't2: {t2}, type: {type(t2)}') print('-' * 30) 二维列表 → 张量 data = [[1, 2, 3], [4, 5, 6]] t3 = torch.tensor(data) print(f't3: {t3}, type: {type(t3)}') print('-' * 30) numpy ndarray → 张量 data = np.random.randint(0, 10, size=(2, 3)) t4 = torch.tensor(data) print(f't4: {t4}, type: {type(t4)}') 错误写法：torch.tensor(2,3) 直接传维度会报错 t5 = torch.tensor(2, 3)

老式类型专用张量 API

import torch # 传入形状，创建未初始化张量 t_int1 = torch.IntTensor(2, 3) # int32 t_float1 = torch.FloatTensor(2, 3) # float32 t_double1 = torch.DoubleTensor(2, 3) # float64 传入数据，强制指定类型 t_int2 = torch.IntTensor([1, 2, 3]) t_float2 = torch.FloatTensor([1.1, 2.2]) t_double2 = torch.DoubleTensor([0.1, 0.2]) 现代等价写法 t_int = torch.tensor([1, 2, 3], dtype=torch.int32) t_float = torch.tensor([1.1, 2.2], dtype=torch.float32) t_double = torch.tensor([0.1, 0.2], dtype=torch.float64)

区分重点：

• t1.dtype：张量内部元素的数据类型
• type(t1)：张量本身 Python 对象类型，永远是torch.Tensor

2.3 创建 0、1、指定值张量

• torch.ones和torch.ones_like：创建全 1 张量
• torch.zeros和torch.zeros_like：创建全 0 张量
• torch.full和torch.full_like：创建全部为指定值张量

不带_like：手动传入维度；带_like：参考已有张量，自动复制形状、数据类型、设备。

import torch ref = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32) 全 1 张量 t_ones = torch.ones(2, 3) t_ones_like = torch.ones_like(ref) 全 0 张量 t_zeros = torch.zeros(2, 3) t_zeros_like = torch.zeros_like(ref) 指定值张量 t_full = torch.full((2, 3), fill_value=5.0) t_full_like = torch.full_like(ref, fill_value=5.0)

2.4 创建线性和随机张量

• torch.arange()和torch.linspace()：创建线性张量
• torch.random.initial_seed()：获取当前全局随机种子
• torch.random.manual_seed()：设置全局随机种子
• torch.rand() / torch.randn()：创建随机浮点类型张量
• torch.randint(low, high, size=())：创建随机整数类型张量

随机种子两种方法区别

1. torch.random.manual_seed(种子数值)
   作用：设置全局随机种子。种子固定后，后续所有随机操作生成结果固定；影响当前进程全部随机函数。
   调用时机：代码开头统一设置。
2. torch.random.initial_seed()
   作用：读取当前正在使用的全局种子，只能获取，不能修改；返回整数。
   用途：查看当前种子、复现实验、记录日志。

import torch # 线性张量 t_arange = torch.arange(0, 10, 2) # [start, end)，按步长生成 t_lin = torch.linspace(0, 10, 5) # [start, end]，均分生成指定个数点 设置全局随机种子，固定随机结果 torch.random.manual_seed(666) 获取当前全局种子 current_seed = torch.random.initial_seed() print("当前种子：", current_seed) 随机浮点张量 rand_t = torch.rand(3, 3) # [0,1) 均匀分布 randn_t = torch.randn(3, 3) # 标准正态分布 N(0,1) 随机整数张量 randint_t = torch.randint(0, 10, (2, 2)) # [low, high) 随机整数

2.5 张量数据类型转换

方法 1：创建张量时直接指定 dtype（推荐）

t = torch.tensor([1, 2, 3], dtype=torch.float32)

方法 2：.to() 通用类型转换（通用，支持类型+设备）

t_int = torch.tensor([1, 2]) t_float = t_int.to(dtype=torch.float32) t_long = t_int.to(dtype=torch.int64)

方法 3：专用简写函数（简洁，仅改类型）

t = torch.tensor([1.1, 2.2]) t_float32 = t.float() t_float64 = t.double() t_int32 = t.int() t_int64 = t.long() t_bool = t.bool()

常用 dtype 对照表

重要提醒：所有类型转换都会生成新张量，原张量不会被修改。

参考资料

1. PyTorch 官方网站：PyTorch
2. 黑马程序员 PyTorch 深度学习教程