PyTorch中torch.tensor与torch.Tensor的区别详解

在PyTorch中，有两种不同的Tensor类型，它们分别是torch.tensor与torch.Tensor。这两种Tensor类型总体而言非常相似，用法也十分相似，但在细节与某些用法上有些许差别。本文将对这两种Tensor进行详细的区别与说明，帮助大家更好的理解和使用它们。

1. torch.tensor与torch.Tensor的定义与用法

1.1 定义

首先我们来看这两种Tensor的定义：

• torch.tensor: torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)
• torch.Tensor: Class torch.Tensor([data, dtype, device, requires_grad])

我们可以看到，torch.tensor是一个函数，它接收一些数据，并返回一个对应的tensor；而torch.Tensor则是一个类（Class），返回一个新的Tensor实例，实例的属性和方法与普通的Python类实例一样。

1.2 用法

我们来看看这两种Tensor的用法：

import torch

a = torch.Tensor(3, 5)     # 创建一个3x5的未初始化的torch.Tensor
b = torch.tensor([[1, 2], [3, 4]])   # 创建一个2x2的tensor，并从Python List中初始化

从上面的例子中我们可以看到：使用torch.Tensor创建的Tensor可以设定其形状，但tensor内部的数据并不会被初始化，需要手动填充数据；而使用torch.tensor创建的Tensor则可以直接从Python List等数据类型中自动初始化。

除了上述例子中的初始化方式，还可以通过其他方式初始化Tensor，例如：

x = torch.randn((3,3), requires_grad=True)   # 从随机分布初始化
y = torch.zeros((2,2))   # 全0的Tensor
z = torch.ones((4,4))    # 全1的Tensor

不管是哪种初始化方式，torch.tensor和torch.Tensor的用法都非常相似，每种方式都拥有两种不同的创建方式。

2. torch.tensor与torch.Tensor的区别

在大多数情况下，torch.tensor和torch.Tensor的区别并不大，它们可以互换使用。然而，在一些细节和某些特殊场景下，它们还是有一些差别的。以下将列举一些这样的情况：

2.1 首字母大小写

首先，我们可以看到torch.Tensor的首字母是大写的，而torch.tensor的首字母是小写的。这并不仅仅是大小写的不同，同时它也意味着这两种Tensor在Python中的本质区别：

• torch.Tensor是一个Python类，而torch.tensor仅是一个函数的名称。
• torch.tensor函数返回的是torch.Tensor的实例。

因此，在创建Tensor时需要注意使用大写和小写方式。

2.2 多维度数据

在多维度Tensor的初始化中，两种Tensor的行为有些差异。

例如，使用torch.tensor初始化时，你需要保证每一个元素都是相同的数据类型。如果你提供了不同类型的数据，torch.tensor会强制把它们转换为相同类型的数据：

x = torch.tensor([[1, 2], [3.0, 4]])    # 注意这里是浮点数3.0而不是整数3

在上面的例子中，原本的输入应该是一个int Tensor，但因为输入中混入了一个浮点数，在转换时Tensor会自动将整个Tensor转换为浮点类型的Tensor。

而对于torch.Tensor来说，它可以接受并分别处理不同类型的数据：

y = torch.Tensor([[1, 2], [3.0, 4]])     # 同样的输入，但不会报错

在Tensor初始化时对于数据类型的处理，在两种Tensor中是不同的，这也是两种Tensor的差异之一。

2.3 其他差异

除了上述两种场景外，两种Tensor之间的差异并不多，值得注意的是，它们拥有相同的属性和方法，例如对Tensor进行形变的方法：

x = torch.rand(5, 4)
y = torch.Tensor.view(x, 1, 20)

在上面的代码中，我们使用torch.Tensor.view来对一个Tensor进行形变操作。需要注意的是，在这个view方法中, 形参x，1和20均为torch.Tensor的实例，也就是说tensor.view调用的是torch.Tensor实例的方法。

3. 示例说明

接下来，我们通过两个Tensor初始化的示例来展示torch.tensor和torch.Tensor之间的区别。

3.1 示例1

import torch
import numpy as np

a = np.ones(3)
b = torch.Tensor(a)
c = torch.tensor(a)

print(a, "\n", b, "\n", c)

在上面的代码中，我们创建了一个长度为3、元素全为1的numpy数组$a$，然后分别使用torch.Tensor和torch.tensor来初始化Tensor $b$ 和 $c$。输出结果为：

[1. 1. 1.] 
 tensor([1., 1., 1.]) 
 tensor([1., 1., 1.], dtype=torch.float64)

可以看到，$b$ 和 $c$ 的数据完全相同，但是 $c$ 的数据类型为浮点类型（dtype=torch.float64）。也就是说，在使用torch.tensor时，输入数组的数据类型如果不为浮点类型，则会自动转换为浮点类型。而使用torch.Tensor初始化时，并没有进行类似的操作。

3.2 示例2

import torch
import numpy as np

a = np.ones(3)
b = torch.Tensor(a)
c = torch.tensor(a)

a[0] = 2

print(a, "\n", b, "\n", c)

在上面的代码中，我们创建了一个长度为3、元素全为1的numpy数组$a$，然后分别使用torch.Tensor和torch.tensor来初始化Tensor $b$ 和 $c$。接下来，我们修改了$a$的第一个元素为2。输出结果为：

[2. 1. 1.] 
 tensor([1., 1., 1.]) 
 tensor([1., 1., 1.], dtype=torch.float64)

可以看到，在修改$a$的元素后，仅有使用torch.Tensor初始化的Tensor $b$ 的数据没有发生变化，而使用torch.tensor初始化的Tensor $c$ 的数据仍然与原始数组$a$相同。

4. 总结

在本文中，我们介绍了PyTorch中torch.tensor和torch.Tensor这两种Tensor类型的定义和用法，并对其差异进行了详细的讲解。同时，我们还给出了两个示例进行了示范，在使用这两种Tensor类型时需要特别注意两种Tensor在多维度初始化和数据类型处理上的差异。