pytorch api文档：torch.ones()创建全1张量

作者：马育民 • • 阅读：10009

介绍

torch.ones() 函数，生成全 1 张量的基础工具，在张量初始化场景中高频使用。

与 torch.ones() 对应的是 torch.zeros()（生成全 0 张量），二者用法完全一致，只是填充值不同。

语法

生成一个指定形状、所有元素均为 1 的张量。

torch.ones(*size, dtype=None, device=None, requires_grad=False) → Tensor

参数：

  • *size：必选参数，指定张量的形状，可以是单个整数、多个整数，或元组/列表形式（如 4、4,4、(4,4)）；
  • dtype：可选，指定张量数据类型（如 torch.float32、torch.int64），默认与 PyTorch 全局默认类型一致（通常是 torch.float32）；
  • device：可选，指定张量存储设备（如 cpu、cuda:0），默认在 CPU 上；
  • requires_grad：可选，是否需要计算梯度，默认 False（非训练参数无需开启）。

例子

import torch

# 示例1：创建基础的全1张量（指定形状为单个整数）
# 创建一个长度为5的一维全1张量
tensor1 = torch.ones(5)
print("示例1 - 一维全1张量：")
print(tensor1)  # 输出：tensor([1., 1., 1., 1., 1.])

# 示例2：创建多维全1张量（指定形状为多个整数）
# 创建 2行3列 的二维全1张量
tensor2 = torch.ones(2, 3)
print("\n示例2 - 二维全1张量：")
print(tensor2)
# 输出：
# tensor([[1., 1., 1.],
#         [1., 1., 1.]])

# 示例3：指定数据类型和设备
# 创建 3行2列、数据类型为int64、存储在CPU上的全1张量
tensor3 = torch.ones((3, 2), dtype=torch.int64, device="cpu")
print("\n示例3 - 指定类型和设备的全1张量：")
print(tensor3)
# 输出：
# tensor([[1, 1],
#         [1, 1],
#         [1, 1]])

# 示例4：创建需要梯度的全1张量（用于深度学习训练）
tensor4 = torch.ones(2, 2, requires_grad=True)
print("\n示例4 - 带梯度的全1张量：")
print(tensor4)
# 输出：
# tensor([[1., 1.],
#         [1., 1.]], requires_grad=True)

size 参数的灵活写法

以下三种写法效果完全一致（均生成 [4,4] 全1张量），可根据场景选择：

torch.ones(4, 4)          # 多个整数参数
torch.ones((4, 4))        # 元组参数（推荐，形状更清晰）
torch.ones([4, 4])        # 列表参数

与 torch.ones_like() 的区别

如果想生成“和某个已有张量形状相同”的全1张量，用 torch.ones_like() 更高效：

x = torch.randn(2, 5)     # 已有张量，形状[2,5]
y = torch.ones_like(x)    # 生成和x形状、类型、设备一致的全1张量
print(y.shape)  # 输出：torch.Size([2,5])

在掩码场景中

torch.ones() 是构建掩码的“基础画布”：

  • 先生成全1矩阵，再通过 torch.triu() 调整哪些位置为1（需要屏蔽）、哪些为0（保留）；
  • 对比：如果用 torch.zeros() 做基础画布，后续需要反向调整（如下三角为1），不如 torch.ones() 直观。

总结

  1. torch.ones(*size) 核心作用是生成指定形状的全1张量，参数支持整数、元组/列表形式；
  2. 可通过 dtype/device 指定张量类型和存储设备，torch.ones_like() 适配已有张量形状；
  3. 在注意力掩码场景中，torch.ones() 是构建掩码矩阵的第一步，为后续 triu/bool/masked_fill 操作提供基础张量。

原文出处：/show_1GW2crxxmuQS.html

吉ICP备15003043号