pytorch api文档：torch.linspace()函数-生成均匀分布张量-马育民老师

# 介绍

PyTorch 中的 `torch.linspace()` 函数，这是生成 **均匀分布张量** 的核心工具，常用来创建 **测试数据**、坐标网格等。

### 作用

**在指定的起始值和结束值之间，生成固定数量的、等间距的数值**（线性间距），返回一个 1 维张量。

### 特点

不管起始/结束值是多少，生成的数值数量是固定的，且相邻数值的间隔相等；

### 应用场景
- **绘制函数曲线**：生成x轴的均匀采样点，计算y值后绘图（如正弦/余弦曲线）；
- **创建坐标网格**：结合 `torch.meshgrid()` 生成二维坐标（如图像处理中的像素坐标）；
- **测试模型输入**：生成固定范围的测试数据，验证模型输出的单调性/连续性；
- **神经网络初始化**：生成均匀分布的初始参数（虽不常用，但可作为基础工具）。

### 与 torch.arange() 区别

`torch.arange()`：`arange` 按“步长”生成，数量不固定；`linspace` 按“数量”生成，步长不固定。

# 语法

```python
torch.linspace(start, end, steps=100, dtype=None, device=None, requires_grad=False)
```

#### 参数

- `start`：序列的起始值（必传）；
- `end`：序列的结束值（必传，**包含该值**）；
- `steps`：生成的数值数量，默认 100；
- `dtype`：输出张量的数据类型（如 `torch.float32`），默认继承 `start/end` 的类型；
- `device`：张量所在设备（如 `cuda:0`）；
- `requires_grad`：是否需要梯度，默认 False。

### 返回值

返回一维向量，有100个元素

# 例子

```python
import torch

# ========== 示例1：基础用法（默认steps=100） ==========
# 生成0到1之间的100个等间距数值（包含0和1）
x1 = torch.linspace(0, 1)
print("默认steps的张量形状:", x1.shape)  # torch.Size([100])
print("第一个值:", x1[0], "最后一个值:", x1[-1])  # tensor(0.) tensor(1.)
print("步长:", x1[1] - x1[0])  # tensor(0.0101)（1/99≈0.0101）

# ========== 示例2：指定steps数量 ==========
# 生成0到10之间的5个等间距数值（包含0和10）
x2 = torch.linspace(0, 10, steps=5)
print("\nsteps=5的张量:", x2)
# 输出: tensor([ 0.0000,  2.5000,  5.0000,  7.5000, 10.0000])
print("步长:", x2[1] - x2[0])  # tensor(2.5)（10/4=2.5）

# ========== 示例3：起始值 > 结束值（反向生成） ==========
# 生成10到0之间的3个等间距数值
x3 = torch.linspace(10, 0, steps=3)
print("\n反向生成的张量:", x3)  # tensor([10.,  5.,  0.])

# ========== 示例4：指定数据类型和设备 ==========
# 生成float64类型、cuda设备的张量（需有GPU）
x4 = torch.linspace(-5, 5, steps=4, dtype=torch.float64, device="cpu")  # 替换为cuda:0可测试GPU
print("\n指定dtype的张量:", x4)
# 输出: tensor([-5.0000, -1.6667,  1.6667,  5.0000], dtype=torch.float64)

# ========== 示例5：生成二维张量（结合unsqueeze） ==========
# 先生成1维张量，再扩展维度（常用在绘图/网络输入）
x5 = torch.linspace(0, 2*torch.pi, steps=100).unsqueeze(1)  # 形状变为 [100, 1]
y5 = torch.sin(x5)  # 计算正弦值，适配二维形状
print("\n二维张量形状:", x5.shape)  # torch.Size([100, 1])
```

#### 进阶示例：生成二维坐标网格
```python
# 生成x轴（-2到2，20个点）和y轴（-2到2，20个点）
x = torch.linspace(-2, 2, steps=20)
y = torch.linspace(-2, 2, steps=20)

# 生成网格坐标
xx, yy = torch.meshgrid(x, y, indexing="xy")
print("网格xx形状:", xx.shape)  # torch.Size([20, 20])
print("网格yy形状:", yy.shape)  # torch.Size([20, 20])
# xx[i][j] = x[j], yy[i][j] = y[i]，构成二维平面的坐标点
```

# 总结

1. `torch.linspace(start, end, steps)` 生成 `start` 到 `end` 之间的 `steps` 个等间距数值，**包含end值**；
2. 核心区别于 `torch.arange()`：`linspace` 定数量、步长自适应；`arange` 定步长、数量自适应；
3. 常用场景：绘制函数曲线、生成坐标网格、创建测试数据，可通过 `unsqueeze` 扩展维度适配多维计算。

原文出处：http://malaoshi.top/show_1GW2eRAXuyNH.html