torch.Tensor和torch.tensor有什么区别？

Question

从0.4.0版本开始，就可以使用torch.tensor和torch.Tensor了

有什么关系？提供这两种非常相似和混乱的备选方案的理由是什么？

Answer 1

在PyTorch中，torch.Tensor是主要的张量类。所以所有张量都只是torch.Tensor的实例。

当您调用torch.Tensor()时，您将得到一个没有任何data的空张量。

相反，torch.tensor是一个返回张量的函数。在文档中，它说：

torch.tensor(data，dtype=None，device=None，requires_grad=False)→张量 用data构造张量。

这也解释了为什么在没有torch.Tensor的情况下创建一个空的张量实例没有问题，方法是：

tensor_without_data = torch.Tensor()

但在另一边：

tensor_without_data = torch.tensor()

将导致错误：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-12-ebc3ceaa76d2> in <module>()
----> 1 torch.tensor()

TypeError: tensor() missing 1 required positional arguments: "data"

  But in general there is no reason to choose `torch.Tensor` over `torch.tensor`. Also `torch.Tensor` lacks a docstring.  

在没有data的情况下创建张量的类似行为，如with：torch.Tensor()，可以使用以下方法实现：

torch.tensor(())

输出：

tensor([])

Answer 2

根据对[医]火把讨论的讨论，torch.Tensor构造函数被重载，以完成与torch.tensor和torch.empty相同的任务。人们认为这种过载会使代码混淆，因此将torch.Tensor拆分为更高级的torch.tensor和torch.empty。

所以是的，在某种程度上，torch.tensor的工作方式类似于to torch.Tensor (当您传入数据时).  no，两者都不应该比其他的效率更高。这只是因为torch.empty和torch.tensor具有比torch.Tensor更好的API。

Answer 3

除上述答案外，我注意到：

• torch.Tensor()创建一个默认数据类型的张量，由torch.get_default_dtype()定义。
• torch.tensor()将从数据中推断数据类型。

例如：

>>> torch.Tensor([1, 2, 3]).dtype
torch.float32

>>> torch.tensor([1, 2, 3]).dtype
torch.int64