学 PyTorch 时，第一个绕不开的概念就是 Tensor。

很多人会把它翻译成“张量”，这个词听起来有点硬。但从代码角度看，可以先把 Tensor 理解成更通用的数组。

它可以是一组数字，也可以是一张表，还可以是一批图片。

从数字到 Tensor

一个普通数字可以看成 0 维 Tensor：

import torch
​
x = torch.tensor(3.0)

一组数字可以看成 1 维 Tensor：

x = torch.tensor([1.0, 2.0, 3.0])

一个矩阵可以看成 2 维 Tensor：

x = torch.tensor([
    [1.0, 2.0],
    [3.0, 4.0],
])

如果是一批图片，维度可能更多，比如：

[batch, channel, height, width]

这就是深度学习里常见的四维 Tensor。

Tensor 为什么重要

在 PyTorch 里，几乎所有东西都会变成 Tensor。

训练数据是 Tensor，模型参数是 Tensor，中间计算结果是 Tensor，梯度也是 Tensor。

如果你理解了 Tensor 的形状和流动方式，很多模型代码就会清楚很多。

shape 是第一重点

看 Tensor 时，最重要的是看它的 shape。

比如：

x = torch.randn(32, 784)
print(x.shape)

这里的 32 通常表示 batch size，784 可能表示每个样本的特征数量。

很多 PyTorch 报错，本质上都是 shape 对不上。

比如 Linear 层期待输入是 [batch, in_features]，但你传进去的是别的形状，就会报维度错误。

Tensor 和 NumPy 有点像

如果你学过 NumPy，会发现 Tensor 和 ndarray 很像。

它们都可以做矩阵计算、切片、广播、变形。

但 PyTorch Tensor 有两个特别重要的能力：

• 可以放到 GPU 上计算

• 可以记录梯度，支持自动求导

这也是它能用于深度学习训练的关键。

常见操作

几个入门阶段最常用的操作：

x = torch.randn(2, 3)
​
x.shape
x.reshape(3, 2)
x.to("cuda")
x.float()
x.mean()
x.sum()

这些操作不需要一次性背完，但要慢慢熟悉。

尤其是 reshape、to(device)、float()，在训练代码里非常常见。

小结

Tensor 是 PyTorch 的基础数据对象。

先别被“张量”这个名字吓到。你可以把它理解成可以参与深度学习计算的多维数组。

学 PyTorch 时，多看 shape，多跟踪数据从输入到模型输出的变化，很多问题都会变得清楚。

技术图：把关键链路画清楚

可运行实验：同时检查 shape、dtype 与广播

Tensor 报错多数不是“数学太难”，而是形状、类型或设备不匹配。养成打印这三项的习惯，比盲目改代码有效。

import torch
​
x = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)
bias = torch.tensor([0.1, 0.2, 0.3])
y = x + bias
print("x:", tuple(x.shape), x.dtype, x.device)
print("bias:", tuple(bias.shape))
print("y:\n", y)

运行结果：

x: (2, 3) torch.float32 cpu
bias: (3,)
y:
 tensor([[1.1000, 2.2000, 3.3000],
        [4.1000, 5.2000, 6.3000]])

bias 只有 3 个元素，却能自动作用到两行数据上，这就是广播。广播很方便，但维度含义不清时也可能悄悄产生错误结果。

常见误区

1. Tensor 的维度越多越高级。维度只描述数据组织方式。

2. Shape 能对上就一定正确。相同 shape 也可能代表完全不同的语义。

动手练习

把 bias 改成 shape 为 (2,) 的 Tensor，观察报错并解释哪个维度无法匹配。

---

本文首发于「去你想去的地方」： Tensor 是什么？PyTorch 里最重要的对象讲清楚 | 去你想去的地方

完整学习路线、视频版和后续更新请访问原文。