刚接触 AI 和 PyTorch，理解 “张量 (Tensor)” 是入门关键。
简单来说，可将 PyTorch 中的张量 (Tensor) 理解为 Java 中的多维数组，但它比普通的 Java 数组强大得多，尤其在 AI 和深度学习领域。
1 张量（Tensor） VS Java 数组/列表
Java 数组 (Array) / 列表 (List): Java常用数组和列表来存储数据，例如
int[],double[][],List<String>,ArrayList<Integer>等。 它们可以存储一系列相同类型的数据。PyTorch 张量 (Tensor):
张量本质上也是用来存储数值数据的，就像 Java 的数组一样，它可以是：
标量 (Scalar): 一个单独的数字，类似于 Java 中的
int,float,double等基本数据类型。 例如：5,3.14,-10。向量 (Vector): 一维数组，类似于 Java 中的
int[]或List<Integer>。 例如：[1, 2, 3],[2.5, 3.5, 4.0]。矩阵 (Matrix):
二维数组，类似于 Java 中的
int[][]或
List<List<Integer>>如：
[[1, 2], [3, 4]]更高维度的数组: 张量可以是三维、四维甚至更高维度的数组，这在深度学习中非常常见，用来表示更复杂的数据结构。
核心区别和优势
| 特性 | Java 数组/列表 (Array/List) | PyTorch 张量 (Tensor) |
|---|---|---|
| 数据类型 | 基本数据类型, 对象引用 | 数值类型 (浮点数, 整数等) |
| 运算性能 | CPU 运算为主 | GPU 加速运算！ |
| 功能 | 数据存储为主 | 数据存储 + 高效运算 + 自动求导 |
| 动态性 | 数组大小固定 (Array)，列表大小可变 (List) | 张量形状可以灵活变换 (通过 view()) |
| 底层实现 | Java 虚拟机 | C++/CUDA (针对 GPU 优化) |
2 “张量” 的专业解释
张量是多维数组的泛化。 它是一个可以表示标量、向量、矩阵以及更高维度数据的数学对象。 在 PyTorch 中，张量是其核心数据结构，用于表示神经网络的输入、输出和参数。
3 张量的维度（Dimensions/Rank）
张量的维度也称为轴 (axis) 或秩 (rank)。 它决定了张量可以表示的数据的结构。
0 维张量 (标量):
只有一个数值，维度为 0。
scalar_tensor = torch.tensor(5) print(scalar_tensor.ndim) # 输出维度: 01 维张量 (向量):
一列或一行数值，维度为 1。
vector_tensor = torch.tensor([1, 2, 3]) print(vector_tensor.ndim) # 输出维度: 1 print(vector_tensor.shape) # 输出形状: torch.Size([3])2 维张量 (矩阵):
行和列组成的表格，维度为 2。
matrix_tensor = torch.tensor([[1, 2], [3, 4]]) print(matrix_tensor.ndim) # 输出维度: 2 print(matrix_tensor.shape) # 输出形状: torch.Size([2, 2])3 维张量 (立方体):
可以想象成多个矩阵堆叠在一起，维度为 3。 在图像处理中，彩色图像可以用 3 维张量表示 (高度 x 宽度 x 颜色通道)。
tensor_3d = torch.randn(3, 4, 5) # 3个矩阵，每个矩阵 4行 5列 print(tensor_3d.ndim) # 输出维度: 3 print(tensor_3d.shape) # 输出形状: torch.Size([3, 4, 5])
4 张量的数据类型（Data Types）
就像 Java 中有 int, float, double 等数据类型一样，PyTorch 张量也有不同的数据类型，如：
torch.float32或torch.float: 32 位浮点数 (单精度浮点数)，常用。torch.float64或torch.double: 64 位浮点数 (双精度浮点数)，精度更高，但更耗内存和计算资源。torch.float16或torch.half: 16 位浮点数 (半精度浮点数)，更节省内存和加速计算，但精度较低。torch.int32或torch.int: 32 位整数。torch.int64或torch.long: 64 位整数 (长整型)，常用表示索引等。torch.uint8: 8 位无符号整数 (0-255)，常用于图像像素表示。- 等等...
代码示例中看到的 dtype=torch.long, dtype=torch.double, dtype=torch.float 就是指定张量的数据类型。 选择合适的数据类型对于性能和精度至关重要。
5 GPU 加速（GPU Acceleration）
这是 PyTorch 张量最核心的优势！ 普通的 Java 数组和列表主要在 CPU 上进行运算，而 PyTorch 张量可以轻松地转移到 GPU 上进行加速运算。
GPU (图形处理器) 特别擅长并行计算，而神经网络的训练和推理包含大量的矩阵运算，非常适合 GPU 并行加速。 使用 GPU 可以大幅度提升深度学习模型的训练和推理速度。
代码示例中看到的 .to(device) 方法和 torch.device("cuda") 就是用来将张量转移到 GPU 上的。
6 张量在深度学习中的应用
在深度学习中，张量几乎无处不在：
- 神经网络的权重 (Weights) 和偏置 (Biases): 模型的参数通常用张量表示。
- 输入数据 (Images, Text, Audio 等): 输入数据被转换成张量喂给神经网络。例如，图像可以表示为 3 维张量 (高度 x 宽度 x 颜色通道)。
- 神经网络的中间层输出 (Activations): 每一层神经网络的输出也是张量。
- 梯度 (Gradients): 在反向传播过程中计算的梯度也是张量，用于更新模型的参数。
7 总结
- 把 PyTorch 张量理解为 “GPU 加速的，功能更强大的多维数组” 是一个很好的入门方式。
- 张量是 PyTorch 的核心数据结构，用于存储数值数据并进行高效的数学运算，尤其擅长 GPU 加速的矩阵运算。
- 理解张量的维度、数据类型和 GPU 加速特性，是学习 PyTorch 和深度学习的基础。
- 作为 Java 工程师，可将张量类比为 Java 中的数组/列表，但要记住张量在 AI 领域的独特价值和优势。
本文已收录在Github，关注我，紧跟本系列专栏文章，咱们下篇再续！
- 🚀 魔都架构师 | 全网30W+技术追随者
- 🔧 大厂分布式系统/数据中台实战专家
- 🏆 主导交易系统亿级流量调优 & 车联网平台架构
- 🧠 AIGC应用开发先行者 | 区块链落地实践者
- 🌍 以技术驱动创新，我们的征途是改变世界！
- 👉 实战干货：编程严选网
