机器学习与深度学习 / 系统课时

创建张量与理解属性

创建张量与理解属性

本课解决“如何把数据变成 PyTorch 张量,并准确读懂张量属性”这一问题。完成后,你能够选择合适的创建方式,判断形状、维度、数据类型与设备,并在进入模型前主动检查数据是否符合预期。

学习目标

  • 使用常见 API 创建标量、向量和多维张量
  • 读懂 shape、ndim、dtype、device 等核心属性
  • 完成数据类型转换、设备迁移与基础合法性检查

张量是什么

张量可以看作带有统一数据类型的多维数组。标量是 0 维张量,向量是 1 维张量,矩阵是 2 维张量,更高维数据常用于表示批次、通道、序列或空间尺寸。

例如,形状为 (32, 3, 224, 224) 的图像批次通常表示 32 张图片、3 个颜色通道,以及每张图片 224×224 个像素。维度名称来自业务约定,张量本身只记录各轴长度。

常见创建方式

torch.tensor 适合从 Python 列表或已有数值创建张量;torch.zeros、torch.ones 和 torch.full 用于按形状填充值;torch.arange 与 torch.linspace 用于生成规则序列;torch.zeros_like 等 *_like API 会复用已有张量的形状与部分属性。

下面的示例固定使用 CPU,输出不受是否安装 GPU 影响。

python
import torch

# 显式指定 dtype 和 device,避免依赖默认配置
matrix = torch.tensor(
    [[1, 2, 3], [4, 5, 6]],
    dtype=torch.float32,
    device="cpu",
)
zeros = torch.zeros((2, 3), dtype=torch.int64)
sequence = torch.arange(0, 6).reshape(2, 3)

# *_like 会沿用参照张量的形状、类型和设备
same_shape = torch.ones_like(matrix)

print(matrix.tolist())
print(f"shape={tuple(matrix.shape)}")
print(f"ndim={matrix.ndim}")
print(f"dtype={matrix.dtype}")
print(f"device={matrix.device.type}")
print(zeros.tolist())
print(sequence.tolist())
print(same_shape.tolist())

预期输出

text
[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]
shape=(2, 3)
ndim=2
dtype=torch.float32
device=cpu
[[0, 0, 0], [0, 0, 0]]
[[0, 1, 2], [3, 4, 5]]
[[1.0, 1.0, 1.0], [1.0, 1.0, 1.0]]

核心属性怎么读

shape 返回每个轴的长度,ndim 返回轴的数量,numel() 返回元素总数。上例的形状是 (2, 3),因此维度数为 2,元素总数为 2×3=62 \times 3 = 6。

dtype 决定数值表示方式与计算精度。分类标签常用整数类型,如 torch.int64;神经网络输入和参数通常使用浮点类型,如 torch.float32。类型不匹配时,可用 tensor.to(torch.float32) 或 tensor.float() 转换。

device 表示数据所在的计算设备。CPU 张量与 CUDA 张量不能直接参与同一次运算,因此模型、输入和标签通常需要迁移到同一设备。常见写法是先确定 device,再统一调用 to(device)。

创建后立即检查

进入训练流程前,至少检查形状、类型和设备。形状错误会让矩阵运算失败,整数输入可能导致某些浮点运算不可用,设备不一致则会直接触发运行时异常。

python
import torch

features = torch.arange(12, dtype=torch.float32).reshape(3, 4)
device = torch.device("cpu")
features = features.to(device)

# 在进入模型前用断言固定关键数据契约
assert features.shape == (3, 4)
assert features.dtype == torch.float32
assert features.device.type == "cpu"

print(f"检查通过,元素总数={features.numel()}")

预期输出

text
检查通过,元素总数=12

Tips:torch.tensor(existing_tensor) 会重新复制数据。需要复制已有张量时优先使用 existing_tensor.clone();只做类型或设备迁移时使用 to(...) 更清晰。

本课总结

  • 张量由数据、形状、维度、数据类型和设备共同定义
  • 创建 API 应按数据来源选择,*_like 适合复用已有张量属性
  • 训练前检查 shape、dtype 和 device,能提前发现大量运行错误

下一课预告

下一课将继续处理张量数据,学习索引、切片、重塑、转置以及维度压缩与扩展。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

创建张量与理解属性

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通