to_tensor¶

paddle. to_tensor ( data, dtype=None, place=None, stop_gradient=True ) [源代码] ¶

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=Place(cpu), stop_gradient=True,
1)

>>> x = paddle.to_tensor(1, stop_gradient=False)
>>> print(x)
Tensor(shape=[], dtype=int64, place=Place(cpu), stop_gradient=False,
1)

>>> paddle.to_tensor(x)  # A new tensor will be created with default stop_gradient=True
Tensor(shape=[], dtype=int64, place=Place(cpu), 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=Place(cpu), 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=Place(cpu), stop_gradient=True,
[[(1+1j), (2+0j)],
 [(3+2j), (4+0j)]])

         