---

在深度学习模型中，我们经常需要在已有张量的基础上生成与之「同形状」「同设备」「同或不同数据类型」的随机噪声，用于参数扰动、数据增强、扩散模型等场景。PyTorch 为我们提供了一个高效便捷的工具——torch.randn_like，它能一步完成上述需求。本文将从函数定义、参数详解、典型应用场景，到进阶用法，全面剖析 torch.randn_like，并通过丰富示例帮助你快速上手。

---

一、函数签名与参数详解

torch.randn_like(
    input: Tensor,
    *,
    dtype: Optional[torch.dtype] = None,
    layout: Optional[torch.layout] = None,
    device: Optional[torch.device] = None,
    requires_grad: bool = False,
    memory_format: Optional[torch.memory_format] = None
) → Tensor

• input（必选）
  源张量，randn_like 会读取它的 .shape、.dtype、.device、.layout、以及 memory_format（如果未显式指定覆盖项）。

• dtype（可选）
  生成张量的数据类型，如 torch.float32、torch.int64 等。若不指定，则继承 input.dtype。

• device（可选）
  指定在 CPU 还是 GPU 上创建新张量，如 "cpu"、"cuda:0"。若不指定，则继承 input.device。

• requires_grad（可选）
  是否对新张量开启梯度追踪，默认为 False。

• 其他

  • layout：张量内存布局，一般使用默认；
  • memory_format：指定内存格式，如 torch.contiguous_format。

---

二、torch.randn_like vs torch.randn

方法	参数	优点
torch.randn(size)	必须手动传入 size、可选传入 dtype、device 等	简单直观，适合只关心形状的场景
torch.randn_like(input)	自动继承 input.shape、dtype、device、layout 等属性	减少样板代码，保证输出张量与输入环境一致

---

三、基础示例

import torch

# 1. 构造一个形状为 (2, 3) 的零张量
x = torch.zeros(2, 3)
print("x:", x.shape, x.dtype, x.device)
# x: torch.Size([2, 3]) torch.float32 cpu

# 2. 生成与 x 同形状同属性的标准正态随机张量
noise = torch.randn_like(x)
print("noise:", noise)
# 示例输出：
# tensor([[-0.1245,  0.5487, -0.3221],
#         [ 0.8723, -1.0054,  0.0392]])

• 新张量 noise 与 x 的形状、数据类型、设备保持一致。

---

四、进阶用法与参数覆盖

4.1 覆盖数据类型（dtype）

# 强制生成 float64 类型
noise_fp64 = torch.randn_like(x, dtype=torch.float64)
print(noise_fp64.dtype)  # torch.float64

4.2 覆盖设备（device）

if torch.cuda.is_available():
    noise_gpu = torch.randn_like(x, device=torch.device('cuda:0'))
    print(noise_gpu.device)  # cuda:0

4.3 开启梯度追踪（requires_grad）

noise_grad = torch.randn_like(x, requires_grad=True)
print(noise_grad.requires_grad)  # True

4.4 覆盖内存格式（memory_format）

noise_contig = torch.randn_like(x, memory_format=torch.contiguous_format)
# 通常无需显式指定，除非对内存布局有特殊需求

---

五、典型应用场景

1. 给模型参数添加噪声

在对抗训练、参数平滑或元学习中，需要对权重做微小扰动：

import torch.nn as nn

class NoisyLinear(nn.Linear):
    def forward(self, input):
        # 为权重张量添加微小高斯噪声
        weight_noise = torch.randn_like(self.weight) * 0.01
        return nn.functional.linear(input, self.weight + weight_noise, self.bias)

layer = NoisyLinear(128, 64)
x = torch.randn(32, 128)
out = layer(x)  # 前向过程中，自动生成同形状噪声

2. 数据增强：图像高斯噪声

对图像 Batch 注入随机噪声，提升模型鲁棒性：

# 假设 images 形状为 [B, C, H, W]
images = torch.randn(16, 3, 224, 224)  # 示例输入
noise_std = 0.1

noisy_images = images + torch.randn_like(images) * noise_std
# 这样可以保证噪声形状 / dtype / device 与 images 完全一致

3. 扩散模型（DDPM）中的噪声采样

在扩散模型中，需要不断向数据添加标准正态噪声，且噪声张量形状与数据完全对齐：

def q_sample(x_start, t, noise=None):
    if noise is None:
        noise = torch.randn_like(x_start)
    # 根据时间步 t 计算噪声比例等后续操作...
    return x_start * alpha_t[t] + noise * beta_t[t]

---

六、多种等价写法

• tensor.long()、tensor.to(torch.int64)
• tensor.type(torch.float32) 等方法，均可对已有张量做类型转换，与 randn_like 结合时常用于进一步处理。

---

七、小结

1. 功能：torch.randn_like 快速生成与指定张量同形状、同设备的标准正态分布随机张量。
2. 参数覆盖：可选 dtype、device、requires_grad、memory_format 等，灵活适配各种需求。
3. 典型场景：参数扰动、数据增强、扩散模型、随机索引等。
4. 最佳实践：在不关心形状等属性细节时，用 randn_like 省去 boilerplate；在需要覆盖属性时，通过关键字参数一次性完成。