PyTorch入门：tensor.new()方法的作用及使用疑问

嗨，这个问题问得挺棒的！其实tensor.new(..)是PyTorch里一个实用的便捷方法，虽然官方文档没有单独做详细的专题说明，但它的核心价值在于复用已有张量的全部环境属性来创建新张量，比直接用torch.Tensor构造器要省心、严谨得多。

为什么要用tensor.new(..)而不是直接构造？ #

主要有这几个关键原因：

• 自动继承设备与数据类型
  假设你有一个在GPU上的float32张量，用它调用new()创建的新张量会自动继承原张量的设备（GPU/CPU）、数据类型（dtype）、甚至内存布局，完全不用手动指定这些参数。比如：

  import torch
  
  # 先创建一个GPU上的float32张量
  gpu_tensor = torch.tensor([1.0, 2.0], device='cuda', dtype=torch.float32)
  # 用new()创建新张量，自动继承属性
  new_tensor = gpu_tensor.new([3.0, 4.0])
  
  print(new_tensor.device)  # 输出：cuda:0
  print(new_tensor.dtype)   # 输出：torch.float32
  

  如果用torch.Tensor构造，你得手动写全所有参数，一旦原张量的属性变动（比如切换到CPU、改成float16），你还要同步修改构造器的参数，非常麻烦。

• 支持多种创建模式
  new()不仅可以接受数据列表/数组来创建带值的张量，还能配合_empty、_zeros、_ones等后缀快速创建特定类型的空张量或初始化张量，比如：

  # 创建和原张量属性一致的空张量
  empty_tensor = gpu_tensor.new_empty((2, 3))
  # 创建和原张量属性一致的全零张量
  zero_tensor = gpu_tensor.new_zeros((1, 4))
  

• 避免环境不匹配的错误
  在复杂模型或分布式训练场景中，你可能会同时处理不同设备、不同精度的张量，用tensor.new()能确保新张量和原张量的运行环境完全一致，不会出现“模型在GPU，新张量在CPU”这类 runtime 错误，大大降低了调试成本。

什么时候用torch.Tensor构造器？ #

如果你的需求是从头创建一个完全自定义属性的张量，不需要继承任何已有张量的属性，那直接用torch.Tensor（或更推荐的torch.tensor()）构造器就可以了。

内容的提问来源于stack exchange，提问作者abcdaire