Question

在PyTorch中，new_ones()与ones()之间有什么区别。例如，

x2.new_ones(3,2, dtype=torch.double)

vs

torch.ones(3,2, dtype=torch.double)

Answer 1

为了这个答案，我假设您的x2是先前定义的torch.Tensor。如果然后转到PyTorch documentation，则可以在new_ones()上阅读以下内容：

返回大小为size且由1.填充的张量默认情况下，返回的Tensor具有与此相同的torch.dtype和torch.device 张量。

ones()

返回一个以标量值1填充的张量，其形状为由变量参数大小定义。

因此，实质上，new_ones允许您在与先前存在的张量（带有1）的相同设备和数据类型上快速创建新的torch.Tensor，而{ {1}}的目的是从头开始创建ones()（填充一个）。

Answer 2

new_ones（）

# defining the tensor along with device to run on. (Assuming CUDA hardware is available)

x = torch.rand(5, 3, device="cuda")

new_ones()使用现有的张量。 y将继承datatype的{{1}}，并将在x定义的相同device上运行

输出：

y = x.new_ones(2, 2)
print(y)

ones（）

tensor([[1., 1.],
        [1., 1.]], device='cuda:0')

输出：

# defining tensor. By default it will run on CPU.
x = torch.ones(5, 3)
print(x)

tensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])用于用给定ones()的{{1}}（如示例所示）定义张量，并且不依赖于现有张量，而1.与现有张量一起使用张量从现有张量继承size和new_ones()之类的属性，并使用给定的datatype定义device。

PyTorch：new_ones与1

2 个答案: