PyTorch 张量的new_tensor方法介绍-EW帮帮网

在 PyTorch 中，new_tensor是张量（Tensor）的一个方法，用于创建新的张量。它的核心特点是继承原张量的一些属性（如数据类型dtype、设备device等），同时允许传入新的数据。以下是对该方法的详细介绍：

1. 方法签名

Tensor.new_tensor(data, dtype=None, device=None, requires_grad=False)

参数：
- data：输入数据，可以是列表、NumPy 数组、标量或另一个张量。
- dtype（可选）：新张量的数据类型。若不指定，默认使用原张量的dtype。
- device（可选）：新张量的设备（如cpu、cuda）。若不指定，默认使用原张量的device。
- requires_grad（可选）：是否启用梯度追踪，默认为False。

2. 核心功能

（1）继承原张量的属性

new_tensor的最大优势是自动复用调用它的张量的dtype和device，无需手动指定：

import torch

# 创建一个原张量（float32，CPU）
x = torch.tensor([1, 2, 3], dtype=torch.float32)

# 使用 new_tensor 创建新张量，继承 x 的 dtype 和 device
y = x.new_tensor([4, 5, 6])
print(y.dtype)    # torch.float32
print(y.device)   # cpu

（2）覆盖属性（可选）

若显式指定dtype或device，会覆盖原张量的属性：

# 创建一个 float64 的新张量（覆盖 dtype）
z = x.new_tensor([4, 5, 6], dtype=torch.float64)
print(z.dtype)    # torch.float64

（3）支持多种数据类型

输入data可以是标量、列表、NumPy 数组或张量：

# 标量
scalar = x.new_tensor(10)  # 标量张量，dtype=float32

# NumPy数组
import numpy as np
arr = np.array([1, 2, 3])
tensor_from_np = x.new_tensor(arr)  # 自动转换为 torch 张量

3. 与其他张量创建方法的对比

方法	特点
`torch.tensor(data)`	独立创建张量，需手动指定`dtype`和`device`（默认根据数据推断）。
`x.new_tensor(data)`	继承`x`的`dtype`和`device`，减少重复代码，适合在已有张量上下文中使用。
`x.new_ones(...)`	创建全 1 张量，形状由参数指定，继承`dtype`和`device`。
`x.new_zero(...)`	创建全 0 张量，形状由参数指定，继承`dtype`和`device`。

4. 典型使用场景

（1）保持类型和设备一致

当需要在已有的张量（如模型参数）的上下文中创建新张量时，使用new_tensor可以避免手动匹配dtype和device：

class MyLayer(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.weight = torch.randn(3, 4, dtype=torch.float64, device='cuda')
    
    def forward(self, x):
        # 创建与 self.weight 同 dtype 和 device 的偏置张量
        bias = self.weight.new_tensor([0.1, 0.2, 0.3])
        return x @ self.weight + bias

（2）基于输入张量动态创建数据

在处理输入数据时，根据输入张量的属性创建新张量，确保兼容性：

def process(x):
    # 创建与输入 x 同 dtype 和 device 的掩码张量
    mask = x.new_tensor([1, 0, 1], dtype=torch.bool)
    return x[mask]

（3）避免跨设备 / 类型错误

当代码中存在多个张量且需要保证类型一致时，new_tensor能自动匹配，减少错误：

x = torch.tensor([1, 2], device='cuda:0')
y = x.new_tensor([3, 4])  # 自动放在 cuda:0，避免手动写 device='cuda:0'

5. 注意事项

输入数据类型：若data是张量，new_tensor会直接使用其数据，而非复制（类似视图）。
内存共享：若data是 NumPy 数组，new_tensor会创建副本，而非共享内存（与from_numpy不同）。
与torch.as_tensor的区别：as_tensor尝试共享内存，而new_tensor始终创建新张量。

总结

new_tensor是 PyTorch 中一个便捷的张量创建方法，核心价值在于继承原张量的dtype和device，简化代码并避免类型 / 设备不匹配的问题。适用于需要在已有张量上下文中创建新张量的场景（如模型参数初始化、动态数据处理），是保持代码简洁和鲁棒性的重要工具。

PyTorch 张量的new_tensor方法介绍