张量（Tensor）作为 PyTorch 的核心数据载体，是深度学习模型构建、数据处理、数值计算的基石。在实际开发中，快速创建规范的初始化张量，是提升代码效率、保证模型训练稳定性的关键一步。

本文将深度拆解 PyTorch 中全零张量、全一张量、指定值张量的创建方法、核心语法、应用场景，搭配可视化图表与关键代码，带你彻底掌握张量初始化的核心技巧！

---

一、开篇：为什么要学习标准化张量创建？

在深度学习任务中，我们很少直接使用随机张量完成初始化——

✅ 线性回归需要偏置项初始化为 0

✅ 图像预处理需要生成全白/全黑掩码图

✅ 模型权重初始化需要统一数值的张量

✅ 基于现有张量形状快速生成匹配张量

这些高频场景，都依赖 zeros/ones/fill 系列函数。掌握它们，能让你的代码更简洁、更高效、更易维护！

---

二、核心张量创建函数总览 📊

为了让大家直观对比函数差异，先通过表格汇总核心 API：

函数名称	核心功能	传参方式	适用场景
torch.ones()	创建全 1 张量	直接传入形状 (h, w)	初始化权重、生成全 1 掩码
torch.ones_like()	按现有张量形状创建全 1 张量	传入 Tensor 对象	形状匹配、数据对齐
torch.zeros()	创建全 0 张量	直接传入形状 (h, w)	偏置项初始化、全黑图
torch.zeros_like()	按现有张量形状创建全 0 张量	传入 Tensor 对象	与输入数据形状统一
torch.full()	创建指定值张量	size=(h,w), fill_value=val	自定义数值张量（如全 255 图）
torch.full_like()	按现有张量形状创建指定值张量	传入 Tensor + 填充值	图像掩码、自定义初始化
📌 表格说明：_like 后缀函数无需手动指定形状，自动复用输入张量的维度，是工程开发中的首选写法。

---

三、张量创建逻辑可视化 🎯

为了帮你理解 直接创建 与 _like 创建 的核心区别，用 Mermaid 流程图展示执行逻辑：

图表说明：

1. 当你需要和已有数据（如图像、特征图）维度对齐时，优先选择 _like 系列函数；

2. 当你需要自定义维度时，直接使用基础函数指定行列数即可；

3. 两种路径最终都会生成标准化的初始化张量，满足不同开发需求。

---

四、逐函数精讲 + 关键代码演示 💻

1. 全一张量：ones() & ones_like()

全 1 张量是最常用的初始化张量之一，常用于权重初始化、归一化计算。

核心代码（关键片段）

import torch
# 1. 直接创建：2行3列全一张量
tensor_ones = torch.ones(2, 3)
# 2. 基于现有张量形状创建
src_tensor = torch.tensor([[1,2],[3,4]])  # 2x2 原始张量
new_ones = torch.ones_like(src_tensor)   # 自动生成 2x2 全 1 张量

文字解析

• torch.ones(shape)：直接接收维度参数，快速生成指定大小的全 1 张量；

• torch.ones_like(tensor)：零维度出错风险，完全继承输入张量的形状，工程中更安全。

---

2. 全零张量：zeros() & zeros_like()

全零张量是深度学习偏置项（bias）初始化的标准选择，在公式 $y=wx+b$ 中，默认将 $b$ 初始化为全 0。

核心代码（关键片段）

# 直接创建 3x3 全零张量
tensor_zeros = torch.zeros(3, 3)

# 基于现有张量生成全零张量
zeros_like_tensor = torch.zeros_like(src_tensor)

文字解析

全零张量的核心价值：无干扰初始化，让模型训练从纯线性关系起步，避免初始偏置影响收敛速度。

---

3. 指定值张量：full() & full_like()

这是最灵活的张量创建方式，可填充任意数值，255 是图像领域的高频值（RGB 白色上限、灰度图最大值）。

核心代码（关键片段）

# 创建 2x3 全 255 张量（图像全白图专用）
tensor_full = torch.full(size=(2, 3), fill_value=255)

# 基于现有形状生成指定值张量
full_like_tensor = torch.full_like(src_tensor, fill_value=100)

文字解析

• fill_value 可自定义任意数值，整数、浮点数均可；

• 图像任务中：0 = 纯黑，255 = 纯白，是掩码图、分割任务的核心初始化方式。

---

五、高频应用场景深度解读 ✨

场景 1：线性模型偏置初始化

在 $y=wx+b$ 中，偏置项必须用全零张量初始化，保证模型初始状态无偏移。

这也是 zeros() 函数最经典的工业级用法。

场景 2：计算机视觉图像生成

RGB 图像像素值范围：0 ~ 255

• 全黑图：zeros() / zeros_like()

• 全白图：full(fill_value=255) / full_like(..., 255)

这是图像掩膜、绘制轮廓、数据增强的基础操作。

场景 3：形状对齐与数据匹配

处理批量数据时，输入张量形状不固定，手动写死维度极易报错。

_like 系列函数完美解决这个问题，自动匹配形状，零报错。

---

六、高效编码小技巧 ⚡

1. 导包快捷键：PyTorch 开发中，Alt + 回车 一键导包，提升效率；

2. 代码排版：Alt + Shift + ↓ 快速移动代码行，让结构更清晰；

3. 优先选择：能用 _like 就不用手动指定形状，降低 Bug 率。

---

七、课后任务 📌

1. 找班任获取电子名单，用于课堂随机提问；

2. 动手实践：用今天学到的函数，分别创建全零、全一、全 255 张量；

3. 尝试用 _like 函数，基于自定义张量生成匹配形状的初始化张量。

---

八、总结 🎯

✅ 基础三剑客：zeros/ones/full → 自定义形状创建张量

✅ 安全三剑客：zeros_like/ones_like/full_like → 自动匹配形状

✅ 核心价值：代码简洁、零错误、工业标准、覆盖 80% 初始化场景

✅ 图像口诀：0 是黑，255 是白，线性模型偏置用零最稳妥

PyTorch 张量初始化是深度学习的第一步，也是最关键的一步。把基础打扎实，后续模型构建、训练调优都会事半功倍！

---