pytorch每日一学18(torch.zeros_like())创建与指定tensor形状相等的全0tensor

第18个方法

torch.zeros_like(input, *, dtype=None, layout=None, device=None, 
requires_grad=False, memory_format=torch.preserve_format)—>tensor

• 此方法返回一个与input形状相等的，并且用标量值填充0填充的全0tensor。torch.zeros_like(input)与torch.zeros(input.size(), dtype=input.dtype, layout=input.layout, device=input.device)是等价的，使用那个都可以，torch.zeros()我上篇文章讲过，有兴趣可以去看看。
• 从pytorch0.4版本开始，这个方法不再支持out关键字，（torch.zeros()还是支持的）。另外，旧的torch.zeros_like(input, out=output)是等于torch.zeros(input.size(), out=output) 。
  使用方法如下：

>>> input = torch.empty(2, 3)
>>> torch.zeros_like(input)
tensor([[ 0.,  0.,  0.],
        [ 0.,  0.,  0.]])

参数介绍

• input(tensor)：input的形状将会决定输出tensor的形状。
• dtype(torch.dtype, optional)：可选参数，希望返回tensor中的数据类型，如果为None，默认为input中的数据类型。
• layout(torch.layout, optional)：希望返回tensor的布局，如果为None，取决于input的布局，布局有稠密型和稀疏型，我在上一篇文章里（torch.zeros()中讲过），有兴趣可以去翻阅。
• device(torch.device, optional)：期望返回的tensor所处的设备，可以为cpu或cuda，如果为None，则取决于input所在的设备。
• requires_grad(bool, optional)：指定所需tensor是否需要梯度信息。如果为True，torch自动求导时会对此tensor来计算导数并存放于此tensor的grad属性中。
• memory_format(torch.memory_format, optional)：期望返回的tensor的内存格式，默认为torch.preserve_format.

补充：

torch.memory_format表示torch.Tensor被分配或将要分配在其上的内存格式。可能的取值有

• torch.contiguous_format：张量是或将在密集的非重叠内存中分配。以值降序表示的步幅。
• torch.channels_last：张量是或将在密集的非重叠内存中分配。步长由strides[0] > strides[2] > strides[3] > strides[1] == 1（即NHWC顺序）中的值表示。
• torch.preserve_format：在诸如clone之类的函数中使用，以保留输入张量的存储格式。如果将输入张量分配在密集的非重叠内存中，则会从输入中复制输出张量步幅。否则输出步幅将遵循torch.contiguous_format。