1. clone()方法
在PyTorch中，clone()方法用于创建一个与原始张量具有相同内容的新张量。它与使用等号进行赋值的差别在于，clone()方法会复制一份数据而不是共享数据。也就是说，clone()方法会创建一个独立的张量，对新张量的操作不会影响原始张量。
下面我们通过一个例子来说明clone()方法的使用：
import torch
x = torch.tensor([1, 2, 3])
y = x.clone()
y[0] = 10
print(x) # tensor([1, 2, 3])
print(y) # tensor([10, 2, 3])
在上面的例子中，我们首先创建了一个张量x，然后使用clone()方法将其复制到一个新的张量y。接着，我们修改了新张量y的第一个元素为10，但是原始张量x并没有受到影响。
2. detach()方法
与clone()方法类似，detach()方法也用于创建一个与原始张量具有相同内容的新张量。但是，与clone()方法不同的是，detach()方法会保留梯度相关的信息，但是不会保留计算图信息，从而使得新张量与原始张量之间的梯度信息断开连接。
下面我们通过一个例子来说明detach()方法的使用：
import torch
x = torch.tensor([1.0], requires_grad=True)
y = x.detach()
y[0] = 10
print(x) # tensor([10.], requires_grad=True)
print(y) # tensor([10.])
在上面的例子中，我们首先创建了一个需要梯度计算的张量x。然后，我们使用detach()方法将其复制到一个新的张量y，并且修改新张量y的值为10。由于使用detach()方法而不是clone()方法，新张量y与原始张量x之间的梯度信息被断开。因此，通过对新张量y的操作不会对原始张量x的梯度产生影响。
3. 相关扩展
3.1. as_strided方法
as_strided方法可以用于创建一个与原始张量具有相同内容但形状不同的新张量。通过指定新张量的步幅（stride）参数，我们可以在不复制数据的情况下改变张量的形状。
下面我们通过一个例子来说明as_strided方法的使用：
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
y = x.as_strided((5, 5), (0, 4))
print(x) # tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(y) # tensor([[1, 5, 9, 0, 0],
# [2, 6, 0, 0, 0],
# [3, 0, 0, 0, 0],
# [4, 8, 0, 0, 0],
# [5, 9, 0, 0, 0]])
在上面的例子中，我们首先创建了一个二维张量x，然后使用as_strided方法创建了一个形状为(5, 5)的新张量y。新张量y的步幅参数指定为(0, 4)，这意味着新张量的行方向步幅为0，列方向步幅为4。结果是，新张量y的每一行都是原始张量x的第一个元素，每一列都是原始张量x的第一个元素及其后的三个元素。
3.2. expand方法
expand方法可以用于扩展张量的形状。通过指定新形状的大小，我们可以在不复制数据的情况下改变张量的形状。
下面我们通过一个例子来说明expand方法的使用：
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
y = x.expand(3, -1)
print(x) # tensor([[1, 2, 3], [4, 5, 6]])
print(y) # tensor([[1, 2, 3],
# [4, 5, 6],
# [1, 2, 3]])
在上面的例子中，我们首先创建了一个二维张量x，然后使用expand方法将其扩展为形状为(3, 3)的新张量y。新张量y的大小参数指定为(3, -1)，这意味着新张量的行数为3，列数与原始张量x的列数相同。结果是，新张量y的前两行是原始张量x的内容，第三行与原始张量x的第一行相同。
总结
本文介绍了在PyTorch中使用clone()方法和detach()方法创建新张量的用法，以及as_strided方法和expand方法修改张量形状的方法。这些方法在深度学习中具有广泛的应用，并且能够提高代码的效率和可读性。