deepseek问答：torch.full() 函数详解

torch.full() 是 PyTorch 中用于创建指定形状、所有元素值都相同的新张量的核心函数。它在深度学习中有广泛应用，尤其是在初始化张量和创建特殊数据结构时。

函数签名

torch.full(size, fill_value, *, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False, memory_format=torch.contiguous_format)

参数说明

参数	类型	描述
size	tuple of ints	定义张量形状的整数元组（如 (3, 4) 表示 3行4列）
fill_value	scalar	填充张量的值（整型或浮点型）
dtype	torch.dtype (可选)	张量的数据类型（默认根据 fill_value 类型推断）
device	torch.device (可选)	张量所在设备（CPU/GPU）（默认使用当前设备）
requires_grad	bool (可选)	是否需要计算梯度（默认 False）
layout	torch.layout (可选)	张量布局（默认 strided）
pin_memory	bool (可选)	是否使用锁页内存（默认 False）
memory_format	torch.memory_format (可选)	内存格式（默认 contiguous_format）

核心功能

创建满足以下条件的张量：

• 指定形状：由 size 参数确定
• 全相同值：所有元素值都等于 fill_value
• 完全控制：可自定义数据类型、设备、内存格式等属性

使用示例

#基础用法
import torch#创建 2x3 的张量，所有元素值为 5
= torch.full((2, 3), 5)print(a)
tensor([[5, 5, 5],[5, 5, 5]])创建 3x3 的浮点数张量，所有元素值为 3.14
= torch.full((3, 3), 3.14)print(b)
tensor([[3.1400, 3.1400, 3.1400],[3.1400, 3.1400, 3.1400],[3.1400, 3.1400, 3.1400]])高级用法
指定数据类型
= torch.full((2, 2), 1.5, dtype=torch.float16)print(c)
tensor([[1.5000, 1.5000],[1.5000, 1.5000]], dtype=torch.float16)创建在GPU上的张量
= torch.full((3,), 10, device='cuda')print(d)
tensor([10, 10, 10], device='cuda:0')创建需要梯度的张量
= torch.full((2, 3), 0.1, requires_grad=True)print(e.requires_grad)  # True创建4维张量（如批量大小×通道×高度×宽度）
= torch.full((2, 3, 4, 4), 0)  # 创建全零掩码print(f.shape)  # torch.Size([2, 3, 4, 4])

与相似函数的对比

函数	描述	主要区别
torch.full()	直接指定形状填充	基本版本，灵活
torch.full_like()	参考其他张量形状填充	复制其他张量的形状和属性
torch.ones()	创建全1张量	固定值=1
torch.zeros()	创建全0张量	固定值=0
torch.empty()	创建未初始化张量	元素值随机
torch.tensor()	从数据创建张量	可包含不同值

应用场景

1)张量初始化

#初始化偏置项为0.1bias = torch.full((128,), 0.1)#初始化掩码为1mask = torch.full((64, 64), 1)

2)特定值容器

#创建注意力掩码（1表示有效位置）
attn_mask = torch.full((batch_size, seq_len), 1.0)
#创建特殊值矩阵（如填充无效值）
invalid_mask = torch.full(data.shape, float('-inf'))

3)设备优化

#直接在GPU上创建用于计算的张量
gpu_tensor = torch.full((100, 100), 0.5, device='cuda')

4)数值敏感操作

#创建需要高精度的常数张量
high_precision = torch.full((10,), 0.123456789, dtype=torch.float64)

常见问题与注意事项

1)数据类型推断：

当未指定 dtype 时：

• 整数 fill_value → torch.int64
• 浮点数 fill_value → torch.float32

2)值类型转换：

      # 整数4会被转换为浮点数4.0tensor = torch.full((3,), 4, dtype=torch.float32)print(tensor)  # tensor([4., 4., 4.])

3)内存优化：

当需要复制同样值时，使用 torch.full() 比使用 Python 列表更高效：

      # 不推荐：低效bad_tensor = torch.tensor([[5]100]100)# 推荐：高效good_tensor = torch.full((100, 100), 5)

4)梯度处理：

在模型中作为参数使用时需要设置 requires_grad=True：

  trainable_scalar = torch.full((1,), 0.5, requires_grad=True)

与 numpy.full() 的对比

PyTorch 的 torch.full() 与 NumPy 的 np.full() 功能相似，但针对深度学习进行了优化：

import numpy as np
import torch#NumPy 版本np_array = np.full((3, 3), 5)
print(type(np_array))  # <class 'numpy.ndarray'>#PyTorch 版本torch_tensor = torch.full((3, 3), 5)
print(type(torch_tensor))  # <class 'torch.Tensor'>

主要区别：

• PyTorch 版本支持 GPU 加速和自动微分
• PyTorch 默认使用32位浮点数而非64位
• PyTorch 提供更灵活的设备控制选项

总结

torch.full() 是一个功能强大且高效的工具，用于创建全相同值的张量：

• 形状灵活 - 支持任意维度的张量创建
• 值自由定义 - 可填充任意标量值
• 完全可控 - 可精确指定数据类型、设备等属性
• 高效内存 - 比类似Python结构更高效
• 梯度支持 - 可直接用于可训练参数

它在神经网络开发中常用于初始化张量、创建掩码、设置特殊值和建立模型参数，是PyTorch张量操作工具箱中不可缺少的一部分。