在 PyTorch 中，torch.tensor 是创建张量的核心函数。以下是详细用法指南：

一、基础用法

import torch

# 从 Python 列表/数组创建
data = [1, 2, 3]
tensor = torch.tensor(data)  # 输出：tensor([1, 2, 3])

# 从 NumPy 数组创建（需先转 NumPy）
import numpy as np
numpy_arr = np.array([4, 5, 6])
tensor_from_np = torch.tensor(numpy_arr)  # tensor([4, 5, 6])

二、关键参数详解

torch.tensor(
    data,                    # 输入数据 (list/np.array 等)
    dtype=None,              # 指定数据类型 (torch.float32, torch.int64 等)
    device=None,             # 设备 ("cpu" 或 "cuda:0")
    requires_grad=False,     # 是否跟踪梯度
    pin_memory=False         # 是否固定内存（加速 GPU 传输）
)

三、常用场景示例

1. 指定数据类型

# 创建浮点型张量
float_tensor = torch.tensor([1, 2, 3], dtype=torch.float32)  # tensor([1., 2., 3.])

# 创建布尔型张量
bool_tensor = torch.tensor([0, 1, 0], dtype=torch.bool)      # tensor([False,  True, False])

2. 设备选择 (CPU/GPU)

# 在 GPU 上创建张量 (需 CUDA 可用)
gpu_tensor = torch.tensor([7, 8, 9], device="cuda:0")

# 将 CPU 张量移动到 GPU
cpu_tensor = torch.tensor([10, 11, 12])
gpu_tensor = cpu_tensor.to("cuda:0")

3. 梯度跟踪

# 创建需要计算梯度的张量
x = torch.tensor([3.0], requires_grad=True)
y = x**2
y.backward()  # 自动计算梯度
print(x.grad) # 输出：tensor([6.])

四、与其他创建方式的区别

五、注意事项

1. 数据复制行为：torch.tensor() 会复制输入数据，若需要共享内存用 torch.from_numpy()
2. 隐式类型转换：

   # 列表包含混合类型时会向上转型
   mixed_data = [1, 2.0]  # 会被转为 float
   

3. 性能优化：对于大型数据集，优先使用 torch.utils.data.DataLoader 而非多次调用 torch.tensor

六、高级技巧

# 创建未初始化张量（需后续填充数据）
empty_tensor = torch.tensor([], dtype=torch.float32)
empty_tensor.resize_(3, 4)  # 调整形状为 3x4

# 从生成器创建张量
gen = (i*2 for i in range(5))  # 生成器表达式
tensor_from_gen = torch.tensor(list(gen))  # tensor([0, 2, 4, 6, 8])

如果需要创建特殊张量（全零/单位矩阵等），建议使用：

torch.zeros(2, 3)    # 全零矩阵
torch.ones(3, 2)     # 全一矩阵
torch.eye(4)         # 单位矩阵
torch.randn(5, 5)    # 标准正态分布随机数