---

在深度学习与科学计算中，我们经常需要在某个区间内生成等间隔的数值序列，比如采样时间轴、插值混合、位置编码、网格采样等场景。PyTorch 为此提供了一个高效便捷的函数——torch.linspace。本文将从函数签名、基本用法，到进阶参数和实战案例，详细讲解 torch.linspace 的原理与使用技巧，帮助你在项目中灵活运用。

---

一、函数签名与参数详解

torch.linspace(
    start: float,
    end: float,
    steps: int = 100,
    *,
    out: Tensor = None,
    dtype: Optional[torch.dtype] = None,
    layout: torch.layout = torch.strided,
    device: Optional[torch.device] = None,
    requires_grad: bool = False
) → Tensor

• start：序列起始值（包含）。
• end：序列结束值（包含）。
• steps：总共要采样的点数，默认为 100。
• dtype：输出张量的数据类型，若不指定则默认为 torch.float32。
• device：张量所在设备，如 CPU 或 GPU（'cpu'、'cuda:0'）。
• requires_grad：是否开启梯度追踪，默认为 False。

注意：torch.linspace 返回的是一维张量，元素均匀分布在 [start, end] 区间。

---

二、基础示例：快速上手

import torch

# 在 [0, 1] 区间内等间隔生成 5 个值
x = torch.linspace(0, 1, steps=5)
print(x)
# tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])

• 共 5 个数，每两个相邻值间隔 0.25。
• 默认 dtype = torch.float32，device = CPU。

---

三、覆盖默认属性：dtype、device、梯度

1. 指定数据类型

   y = torch.linspace(-1, 1, steps=7, dtype=torch.float64)
   print(y.dtype)  # torch.float64
   

2. 指定设备

   if torch.cuda.is_available():
       z = torch.linspace(0, 10, steps=11, device='cuda:0')
       print(z.device)  # cuda:0
   

3. 开启梯度

   t = torch.linspace(0, 1, steps=10, requires_grad=True)
   # 随后对 t 做操作并反向求导时，它会保留梯度
   

---

四、与 torch.randn 的对比

函数	参数	生成内容	典型场景
torch.randn(size)	size	正态分布随机数	随机噪声、权重初始化
torch.linspace	start, end, steps	等差序列	采样时间轴、插值、位置编码、网格

如果要自己计算等差值，也可以使用 Python 原生或 NumPy，但 torch.linspace 可直接生成 GPU 张量，并支持自动梯度和 dtype/device 管理。

---

五、典型应用场景

1. 插值 / 线性混合

在两个张量之间做平滑过渡：

import torch

a = torch.tensor([1.0, 2.0, 3.0])
b = torch.tensor([4.0, 5.0, 6.0])
# 5 步插值
alphas = torch.linspace(0, 1, steps=5).unsqueeze(1)  # [5,1]
mixes = a * (1 - alphas) + b * alphas
print(mixes)
# tensor([[1.0000, 2.0000, 3.0000],
#         [1.7500, 2.7500, 3.7500],
#         [2.5000, 3.5000, 4.5000],
#         [3.2500, 4.2500, 5.2500],
#         [4.0000, 5.0000, 6.0000]])

2. 位置编码（Transformer）

Transformer 中的正余弦位置编码需要一个从 0 到 -log(10000) 的等间隔向量：

import math
import torch

d_model = 64
# 生成 [0, -ln(10000)] 的 d_model/2 长度等差序列
div_term = torch.exp(torch.linspace(0, -math.log(10000.0), d_model // 2))
print(div_term.shape)  # torch.Size([32])

3. 网格采样（Meshgrid）

搭配 torch.meshgrid 可生成二维或多维网格坐标：

import torch

x = torch.linspace(-1, 1, steps=100)
y = torch.linspace(-1, 1, steps=100)
# 生成 100×100 网格
X, Y = torch.meshgrid(x, y, indexing='ij')
print(X.shape, Y.shape)  # torch.Size([100, 100]) torch.Size([100, 100])

4. 时间／坐标轴采样

在信号处理或动画渲染中，需要等时间间隔的时间点：

fs = 44100            # 采样率
n_samples = 1024
# 从 0 开始，每个采样点间隔 1/fs，总共 1024 点
t = torch.linspace(0, (n_samples - 1) / fs, steps=n_samples)

---

六、进阶提示

• out 参数：可以提前准备一个张量，避免新分配，提高性能。
• memory_format：在需要非连续布局时（如 channels-last）可用。
• 结合自动求导：当 requires_grad=True 时，对等差序列做的所有运算都可参与反向传播。

---

七、小结

• 核心用途：在 [start, end] 区间内生成 steps 个等间隔数值，返回一维张量。
• 优势：无需手动计算间隔；可直接生成指定 dtype、device、supports gradient；支持 GPU 加速。
• 常见场景：插值混合、位置编码、网格采样、坐标/时间轴生成等。