pytorch api文档：torch.zeros()创建全零张量-马育民老师

# 介绍

`torch.zeros()` 函数，这是创建全零张量最基础也最常用的函数，在初始化权重、构建掩码、占位符等场景中高频使用，我会从基础用法、参数细节到实战技巧帮你全面掌握。

# 作用

创建一个**指定形状**、所有元素值都为 0 的张量。是 PyTorch 中“创建固定值张量”的基础函数（同类还有 `torch.ones()` 创全1张量、`torch.full()` 创指定值张量），常用来初始化空张量或作为计算的初始值。

### 语法

```
torch.zeros(size, dtype=None, device=None, requires_grad=False)
```

**参数：**

| 参数           | 作用                                                                 | 常用场景                                                                 |
|----------------|----------------------------------------------------------------------|--------------------------------------------------------------------------|
| `size`        | 张量的形状，可以是单个整数、多个整数，或元组/列表（如 `(2,3)`）| 核心参数，必传；`torch.zeros((2,3))` 等价于 `torch.zeros(2,3)`            |
| `dtype`        | 指定张量的数据类型（如 `torch.float32`/`torch.int64`）| 默认是 `torch.float32`（浮点型），需整数全零张量时手动指定 `dtype=torch.int` |
| `device`       | 指定张量存储的设备（`cpu`/`cuda`）| 深度学习中需和模型/数据同设备，如 `device="cuda:0"`                      |
| `requires_grad`| 是否需要计算梯度（布尔值）| 仅初始化可训练参数时设为 `True`，普通占位符设为 `False`（默认）|

**维度顺序：**

`torch.zeros(2,3)` 是 2 行 3 列的二维张量，而非 3 行 2 列，需注意形状参数的顺序（先行后列）；

# 例子

### 基础示例

先通过代码掌握核心用法，`size` 是唯一必传的核心参数：
```python
import torch

# 示例1：创建一维全零张量（指定单个维度）
zeros_1d = torch.zeros(3)
print("一维全零张量：", zeros_1d)  # tensor([0., 0., 0.])
print("形状：", zeros_1d.shape)    # torch.Size([3])

# 示例2：创建二维全零张量（指定多个维度，常用矩阵场景）
zeros_2d = torch.zeros(2, 3)
print("二维全零张量：\n", zeros_2d)
# 输出：
# tensor([[0., 0., 0.],
#         [0., 0., 0.]])
print("形状：", zeros_2d.shape)    # torch.Size([2, 3])

# 示例3：创建高维全零张量（批量矩阵场景）
zeros_3d = torch.zeros(4, 2, 3)  # 4个 2×3 的全零矩阵
print("三维全零张量形状：", zeros_3d.shape)  # torch.Size([4, 2, 3])
```

### 进阶参数示例
```python
# 示例1：指定数据类型（整数全零张量）
zeros_int = torch.zeros(2, 3, dtype=torch.int64)
print("整数全零张量：\n", zeros_int)
# 输出：
# tensor([[0, 0, 0],
#         [0, 0, 0]])
print("数据类型：", zeros_int.dtype)  # torch.int64

# 示例2：指定设备（GPU张量，需有CUDA环境）
if torch.cuda.is_available():
    zeros_cuda = torch.zeros(2, 3, device="cuda")
    print("GPU张量设备：", zeros_cuda.device)  # cuda:0
else:
    print("无CUDA环境，默认创建CPU张量")

# 示例3：可求梯度的全零张量（初始化可训练参数）
zeros_grad = torch.zeros(2, 3, requires_grad=True)
print("是否可求梯度：", zeros_grad.requires_grad)  # True
```

# 应用场景

### （1）初始化模型参数

在自定义模型时，常用来初始化偏置（bias）等参数：
```python
# 模拟：初始化一个线性层的偏置
bias = torch.zeros(10, requires_grad=True)  # 10个输出维度的偏置，可求梯度
print("偏置参数：", bias)  # tensor([0., 0., ..., 0.], requires_grad=True)
```

### （2）创建掩码/占位符

在数据处理中，常用来创建空张量存储结果，避免频繁创建新张量：
```python
# 模拟：批量处理数据，先创建全零占位符
batch_size = 4
feature_dim = 5
output = torch.zeros(batch_size, feature_dim)  # 占位符

# 填充数据（模拟批量计算）
for i in range(batch_size):
    output[i] = torch.randn(feature_dim)  # 用随机数填充每一行

print("填充后的张量：\n", output)
```

### （3）与其他函数结合（zeros_like）

如果想创建和已有张量**形状/类型/设备完全一致**的全零张量，优先用 `torch.zeros_like()`，更简洁：
```python
x = torch.tensor([[1.5, 2.3], [3.1, 4.2]], device="cpu", dtype=torch.float32)
# 创建和x相同属性的全零张量
zeros_like_x = torch.zeros_like(x)

print("zeros_like结果：\n", zeros_like_x)
print("形状一致：", zeros_like_x.shape == x.shape)  # True
print("设备一致：", zeros_like_x.device == x.device)  # True
```

# 常见易错点

1. **数据类型隐式转换**：全零浮点张量（默认）和整数张量运算时，会自动转为浮点型，需注意类型匹配；
2. **设备不匹配**：如果模型在 GPU 上，而 `torch.zeros()` 默认创建 CPU 张量，直接运算会报错，需指定 `device` 参数。

# 总结
1. `torch.zeros()` 是创建**指定形状全零张量**的核心函数，默认创建 `float32` 类型的 CPU 张量。
2. 关键参数：`size` 定义形状，`dtype` 指定数据类型，`device` 指定存储设备，`requires_grad` 控制是否可求梯度。
3. 实战技巧：需和已有张量属性一致时，优先用 `torch.zeros_like()`；初始化可训练参数时记得设 `requires_grad=True`。

原文出处：http://malaoshi.top/show_1GW2bn8nGC4P.html