介绍
torch.ones_like() 函数，它是 torch.ones() 的“配套函数”，核心优势是能直接复用已有张量的形状、数据类型、设备等属性来创建全1张量
语法
以一个已有张量为参照，创建一个和它形状、数据类型、设备完全相同，且所有元素为 1 的新张量
torch.ones_like(input, dtype=None, device=None, requires_grad=False, memory_format=torch.preserve_format)
参数
| 参数 | 作用 |
|---|---|
input |
必选参数，参照张量（新张量会复用它的形状、默认 dtype/device） |
dtype |
可选，覆盖参照张量的数据类型（如指定 torch.int64 替代原 float32） |
device |
可选，覆盖参照张量的存储设备（如从 cpu 改为 cuda:0） |
requires_grad |
可选，布尔值，是否需要计算梯度，默认 False |
memory_format |
可选，内存布局格式，默认 torch.preserve_format（保留原张量布局） |
例子
import torch
# 第一步：创建一个参照张量（模拟实际场景中已有的张量）
# 形状：2行3列，数据类型：float32，设备：cpu，带梯度
x = torch.tensor([[1.2, 3.4, 5.6], [7.8, 9.0, 2.3]],
dtype=torch.float32,
device="cpu",
requires_grad=True)
print("参照张量 x：")
print(x)
# 输出：
# tensor([[1.2000, 3.4000, 5.6000],
# [7.8000, 9.0000, 2.3000]], requires_grad=True)
# 示例1：基础用法（完全复用x的所有属性）
y1 = torch.ones_like(x)
print("\n示例1 - 完全复用x属性的全1张量 y1：")
print(y1)
# 输出：
# tensor([[1., 1., 1.],
# [1., 1., 1.]], requires_grad=True)
print("y1的形状：", y1.shape) # 输出：torch.Size([2, 3])（和x一致）
print("y1的数据类型：", y1.dtype) # 输出：torch.float32（和x一致）
# 示例2：覆盖数据类型（复用形状/设备，修改dtype）
y2 = torch.ones_like(x, dtype=torch.int64)
print("\n示例2 - 覆盖dtype的全1张量 y2：")
print(y2)
# 输出：
# tensor([[1, 1, 1],
# [1, 1, 1]])
print("y2的数据类型：", y2.dtype) # 输出：torch.int64（覆盖后）
# 示例3：覆盖设备（需确保有GPU，否则会报错）
# 若有GPU，可执行：y3 = torch.ones_like(x, device="cuda:0")
# 示例用cpu演示，仅展示用法：
y3 = torch.ones_like(x, device="cpu", requires_grad=False)
print("\n示例3 - 关闭梯度的全1张量 y3：")
print(y3)
# 输出：tensor([[1., 1., 1.], [1., 1., 1.]])（无requires_grad=True）
与 torch.ones() 比较
使用 torch.ones_like() 有以下优点：
简化代码：不用手动写
torch.ones(x.shape, dtype=x.dtype, device=x.device)，一行torch.ones_like(x)就能搞定；避免错误：尤其是在深度学习中，张量可能在 GPU 上、数据类型复杂，手动指定容易出错，复用已有张量属性更安全；
适配动态形状：如果参照张量的形状是动态变化的（比如批量训练时的不同 batch_size），
ones_like能自动适配，无需修改代码。
注意
- 如果只指定
dtype或device，未指定的属性仍会复用参照张量的； - 若参照张量是稀疏张量（
torch.sparse），ones_like会创建同结构的稀疏全1张量； - 和
torch.ones()一样，ones_like创建的张量默认是浮点型，除非显式指定dtype或参照张量本身是整型。
总结
torch.ones_like(input)核心是复用参照张量的属性创建全1张量，比torch.ones()更适配“基于已有张量创建全1张量”的场景；- 可通过
dtype/device/requires_grad灵活覆盖部分属性，不指定则完全复用； - 优势是简化代码、避免手动指定形状/类型/设备的错误，尤其适合深度学习中动态张量的场景。