张量基础：创建、属性与数据类型

张量是什么

上一章我们把张量比作「带维度的表格」。现在说得准确点：张量是多维数组，是 PyTorch 里所有数据的载体。

按维度分：

• 0 维：标量，就一个数。
• 1 维：向量，一串数，像 Python 列表。
• 2 维：矩阵，一张表格。
• 3 维及以上：多个表格堆叠，深度学习里很常见。

拿 Excel 打比方：一个单元格是标量，一行是向量，整张表是矩阵。多个工作表叠在一起，就是三维张量。一张彩色图片是 3 维张量：高 × 宽 × 颜色通道。一批图片就是 4 维。概念不复杂，就是一层层套。

创建张量的常用方法

PyTorch 给了一整套创建函数，记住最常用的几个就行：

import torch

torch.tensor([1, 2, 3])     # 从数据直接创建
torch.zeros(2, 3)           # 全 0
torch.ones(2, 3)            # 全 1
torch.empty(2, 3)           # 不初始化，内容是垃圾值
torch.rand(2, 3)            # 0~1 均匀随机
torch.randn(2, 3)           # 标准正态随机，均值 0 方差 1
torch.arange(0, 10, 2)      # 等差数列，类似 range
torch.linspace(0, 1, 5)     # 0 到 1 均匀取 5 个点
torch.eye(3)                # 单位矩阵，对角线为 1
torch.full((2, 3), 7)       # 全部填 7

每个函数后面接的形状参数，就是你要的维度。这些函数各有用途：zeros 初始化偏置，randn 生成随机权重，arange 造序列，后面章节都会见到。

三个核心属性

每个张量都有 shape、dtype、device 三个属性，它们决定了张量的一切行为：

import torch

x = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)

print(x.shape)    # torch.Size([2, 3])
print(x.size())   # 同上，另一种写法
print(x.dtype)    # torch.float32
print(x.device)   # cpu
print(x.dim())    # 2，维度数
print(x.numel())  # 6，元素总数

shape 是形状，一个元组，从外到内数每个维度的大小。x.size() 和 x.shape 等价，见哪个用哪个。dim() 告诉你几维，numel() 告诉你总共多少个元素，调试时查形状异常最常用。

数据类型：最容易踩的坑

PyTorch 的数据类型（dtype）比 Python 内置类型丰富，常用的有：

dtype	说明
torch.float32	32 位浮点，默认
torch.float64	64 位浮点，即 double
torch.int64	64 位整数，也叫 long
torch.bool	布尔型

两个默认值最容易踩坑：

1. 浮点张量默认是 float32，不是 float64。NumPy 默认是 float64，习惯 NumPy 的人常在这翻车。
2. 整数张量默认是 int64（long）。

创建时用 dtype 参数指定，也可以随时转换：

import torch

x = torch.tensor([1, 2, 3], dtype=torch.float32)
y = x.to(torch.float64)  # 转换类型
print(x.dtype, y.dtype)

输出：

torch.float32 torch.float64

深度学习里几乎都用 float32。原因很实在：显存有限，float64 占的空间是 float32 的两倍，速度还更慢。除非特殊精度需求，别乱动它。

设备和搬移

张量默认创建在 CPU 上。有 GPU 时，可以把它搬过去加速计算：

import torch

x = torch.rand(2, 3)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
x = x.to(device)

print(x.device)

没 GPU 时 device 是 cpu，代码照跑不误。这一行判断是新手抄作业的常见样板，先记住写法，设备管理后面有专门一章。

和 NumPy 互转

PyTorch 和 NumPy 可以互相转换：

import numpy as np
import torch

# NumPy 数组 -> 张量
arr = np.array([1, 2, 3])
t = torch.from_numpy(arr)

# 张量 -> NumPy 数组
arr2 = t.numpy()

这里有个大坑：from_numpy 和 numpy() 是共享内存的。改一边，另一边跟着变：

arr[0] = 100
print(t)  # tensor([100, 2, 3])，同步变了！

想切断联系，用 clone() 复制一份：

t2 = torch.from_numpy(arr).clone()

小练习

动手验证一下这章的内容：

1. 用 torch.ones 创建 3 行 4 列的张量，打印 shape 和 numel。
2. 把 torch.arange(0, 20, 5) 转成 float32，观察 dtype 变化。
3. 创建 NumPy 数组并转成张量，修改原数组，确认张量同步变化。

每题十秒就能跑完。卡住了就回看上面的代码，答案都在里面。

下章预告

张量怎么创建、什么属性、什么类型，到这里齐了。下一章我们玩转张量操作：索引切片、变形、拼接和广播。