torch.Tensor.new_tensor

Tensor.new_tensor(data, *, dtype=None, device=None, requires_grad=False, layout=torch.strided, pin_memory=False) → Tensor

Возвращает новый тензор с data в качестве данных тензора. По умолчанию, возвращаемый тензор имеет тот же torch.dtype и torch.device, что и исходный тензор.

Предупреждение

new_tensor() всегда копирует data. Если у вас есть тензор data и вы хотите избежать копирования, используйте torch.Tensor.requires_grad_() или torch.Tensor.detach(). Если у вас есть массив NumPy и вы хотите избежать копирования, используйте torch.from_numpy().

Предупреждение

Когда данные — это тензор x, new_tensor() считывает «данные» из переданного значения и создаёт лист-переменную. Поэтому tensor.new_tensor(x) эквивалентно x.clone().detach() и tensor.new_tensor(x, requires_grad=True) эквивалентно x.clone().detach().requires_grad_(True). Рекомендуются эквиваленты с использованием clone() и detach().

Параметры

data (array_like) – Возвращаемый тензор копирует data.

Ключевые аргументы

• dtype (torch.dtype, необязательно) – желаемый тип возвращаемого тензора. По умолчанию: если None, тот же torch.dtype, что и у исходного тензора.
• device (torch.device, необязательно) – желаемое устройство возвращаемого тензора. По умолчанию: если None, то же torch.device, что и у исходного тензора.
• requires_grad (bool, необязательно) – Если автограду необходимо записывать операции над возвращаемым тензором. По умолчанию: False.
• layout (torch.layout, необязательно) – желаемая структура данных возвращаемого тензора. По умолчанию: torch.strided.
• pin_memory (bool, необязательно) – Если установлено, возвращаемый тензор будет выделен в закреплённой памяти. Работает только для CPU-тензоров. По умолчанию: False.

Пример:

>>> tensor = torch.ones((2,), dtype=torch.int8)
>>> data = [[0, 1], [2, 3]]
>>> tensor.new_tensor(data)
tensor([[ 0,  1],
        [ 2,  3]], dtype=torch.int8)