torch.Tensor与torch.tensor的区别及适用场景咨询

除了你提到的默认 dtype 差异，二者还有以下关键区别：

1. 本质定位不同 #

• torch.Tensor 是 PyTorch 张量类的构造函数，本质上是特定张量类型的别名（不同环境下默认绑定的类型可能有差异，比如你遇到的默认 int64 情况），行为更贴近底层类的初始化逻辑。
• torch.tensor 是封装好的工厂函数，专门用于从已有数据源生成张量，做了更多用户友好的逻辑封装。

2. 输入处理逻辑差异 #

• torch.Tensor：支持两种输入模式：
  • 传入序列（如 [1,2,3]）时，会结合输入元素类型与类默认 dtype 生成张量；
  • 传入形状参数（如 torch.Tensor(2,3)）时，会直接创建对应形状的未初始化张量（内存值随机，适合后续填充数据的场景）。
• torch.tensor：必须传入具体数据源（序列、numpy 数组等），不支持仅传形状参数。它会严格基于输入数据的类型，结合全局默认 dtype 生成张量，不会产出未初始化的空张量。

3. 类型推断优先级不同 #

• torch.Tensor 的 dtype 优先遵循类本身的默认类型，即使输入是整数，也会强制转换为类默认的 dtype（比如默认绑定 FloatTensor 时，输入整数列表会转成 float32）。
• torch.tensor 会优先匹配输入数据的类型：若输入是整数序列，默认转成 float32（可通过 dtype 参数指定其他类型）；若输入是浮点数序列，会保留浮点类型特性。

适用场景 #

选择 torch.Tensor 的场景 #

• 需要快速创建未初始化张量：比如批量数据处理时预先分配内存，避免初始化开销，后续直接填充数据。
• 底层开发场景：需要严格控制张量类的初始化逻辑，或依赖类构造函数的特定行为。

选择 torch.tensor 的场景 #

• 从已有数据（列表、numpy 数组）创建张量：日常开发中更安全，明确数据源，避免未初始化张量的随机值问题。
• 需要精准控制 dtype：通过 dtype 参数可直接指定张量类型，比如 torch.tensor([1,2,3], dtype=torch.int32)，逻辑更直观。

内容的提问来源于stack exchange，提问作者Shivam Patel