to_tensor¶
通过已知的 data
来创建一个 Tensor,Tensor 类型为 paddle.Tensor
。 data
可以是 scalar,tuple,list,numpy.ndarray,paddle.Tensor。
如果 data
已经是一个 Tensor,且 dtype
、 place
没有发生变化,将不会发生 Tensor 的拷贝并返回原来的 Tensor。 否则会创建一个新的 Tensor,且不保留原来计算图。
我们使用如下规则来进行类型转换:
保持类型
np.number ───────► paddle.Tensor
(0-D Tensor)
paddle 默认类型
Python Number ───────────────► paddle.Tensor
(0-D Tensor)
保持类型
np.ndarray ─────────► paddle.Tensor
参数¶
data (scalar|tuple|list|ndarray|Tensor) - 初始化 Tensor 的数据,可以是 scalar,list,tuple,numpy.ndarray,paddle.Tensor 类型。
dtype (str,可选) - 创建 Tensor 的数据类型,可以是 bool、float16、float32、float64、int8、int16、int32、int64、uint8、complex64、complex128。 默认值为 None,如果
data
为 python 浮点类型,则从 get_default_dtype 获取类型,如果data
为其他类型,则会自动推导类型。place (CPUPlace|CUDAPinnedPlace|CUDAPlace,可选) - 创建 tensor 的设备位置,可以是 CPUPlace、CUDAPinnedPlace、CUDAPlace。默认值为 None,使用全局的 place。
stop_gradient (bool,可选) - 是否阻断 Autograd 的梯度传导。默认值为 True,此时不进行梯度传传导。
返回¶
通过 data
创建的 Tensor。
代码示例¶
import paddle
type(paddle.to_tensor(1))
# <class 'paddle.Tensor'>
paddle.to_tensor(1)
# Tensor(shape=[], dtype=int64, place=CPUPlace, stop_gradient=True,
# 1)
x = paddle.to_tensor(1, stop_gradient=False)
# Tensor(shape=[], dtype=int64, place=CPUPlace, stop_gradient=False,
# 1)
paddle.to_tensor(x) # A new tensor will be created with default stop_gradient=True
# Tensor(shape=[], dtype=int64, place=CPUPlace, stop_gradient=True,
# 1)
paddle.to_tensor([[0.1, 0.2], [0.3, 0.4]], place=paddle.CPUPlace(), stop_gradient=False)
# Tensor(shape=[2, 2], dtype=float32, place=CPUPlace, stop_gradient=False,
# [[0.10000000, 0.20000000],
# [0.30000001, 0.40000001]])
type(paddle.to_tensor([[1+1j, 2], [3+2j, 4]], dtype='complex64'))
# <class 'paddle.Tensor'>
paddle.to_tensor([[1+1j, 2], [3+2j, 4]], dtype='complex64')
# Tensor(shape=[2, 2], dtype=complex64, place=CPUPlace, stop_gradient=True,
# [[(1+1j), (2+0j)],
# [(3+2j), (4+0j)]])