溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要為大家展示了PyTorch中torch.tensor和torch.Tensor有什么區別，內容簡而易懂，希望大家可以學習一下，學習完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。
眾所周知，numpy作為Python中數據分析的專業第三方庫，比Python自帶的Math庫速度更快。同樣的，在PyTorch中，有一個類似于numpy的庫，稱為Tensor。Tensor自稱為神經網絡界的numpy。
一、numpy和Tensor二者對比
| 對比項 | numpy | Tensor |
| 相同點 | 可以定義多維數組，進行切片、改變維度、數學運算等 | 可以定義多維數組，進行切片、改變維度、數學運算等 |
| 不同點 | 1、產生的數組類型為numpy.ndarray； 2、會將ndarray放入CPU中進行運算； 3、導入方式為import numpy as np，后續通過np.array([1,2])建立數組； 4、numpy中沒有x.type()的用法，只能使用type(x)。 | 1、產生的數組類型為torch.Tensor； 2、會將tensor放入GPU中進行加速運算（如果有GPU）； 3、導入方式為import torch，后續通過torch.tensor([1,2])或torch.Tensor([1,2])建立數組； 4、Tensor中查看數組類型既可以使用type(x)，也可以使用x.type()。但是更加推薦采用x.type()，具體原因詳見下文。 |
舉例（以下代碼均在Jupyter Notebook上運行且通過）：
numpy：
import numpy as np x = np.array([1,2]) #之所以這么寫，是為了告訴大家，在Jupyter Notebook中，是否帶有print()函數打印出來的效果是不一樣的~ x #array([1, 2]) print(x) #[1 2] type(x) #numpy.ndarray print(type(x)) #<class 'numpy.ndarray'> #注意：numpy中沒有x.type()的用法，只能使用type(x)！！！
Tensor：
import torch #注意，這里是import torch，不是import Tensor！！！ x = torch.tensor([1,2]) x #tensor([1, 2]) print(x) #tensor([1, 2])，注意，這里與numpy就不一樣了! type(x) #torch.Tensor print(type(x)) #<class 'torch.Tensor'> x.type() #'torch.LongTensor'，注意：numpy中不可以這么寫，會報錯！！！ print(x.type()) #torch.LongTensor，注意：numpy中不可以這么寫，會報錯！！！
numpy與Tensor在使用上還有其他差別。由于不是本文的重點，故暫不詳述。后續可能會更新~
二、torch.tensor與torch.Tensor的區別
細心的讀者可能注意到了，通過Tensor建立數組有torch.tensor([1,2])或torch.Tensor([1,2])兩種方式。那么，這兩種方式有什么區別呢？
（1）torch.tensor是從數據中推斷數據類型，而torch.Tensor是torch.empty(會隨機產生垃圾數組，詳見實例)和torch.tensor之間的一種混合。但是，當傳入數據時，torch.Tensor使用全局默認dtype(FloatTensor)；
（2）torch.tensor(1)返回一個固定值1，而torch.Tensor(1)返回一個大小為1的張量，它是初始化的隨機值。
import torch #注意，這里是import torch，不是import Tensor！！！ x = torch.tensor([1,2]) x #tensor([1, 2]) print(x) #tensor([1, 2])，注意，這里與numpy就不一樣了! type(x) #torch.Tensor print(type(x)) #<class 'torch.Tensor'> x.type() #'torch.LongTensor'，注意：numpy中不可以這么寫，會報錯！！！ print(x.type()) #torch.LongTensor，注意：numpy中不可以這么寫，會報錯！！！ y = torch.Tensor([1,2]) y #tensor([1., 2.])，因為torch.Tensor使用全局默認dtype(FloatTensor) print(y) #tensor([1., 2.])，因為torch.Tensor使用全局默認dtype(FloatTensor) type(y) #torch.Tensor print(type(y)) #<class 'torch.Tensor'> y.type() #'torch.FloatTensor'，注意：這里就與上面不一樣了！tensor->LongTensor，Tensor->FloatTensor！！！ print(y.type()) #torch.FloatTensor，注意：這里就與上面不一樣了！tensor->LongTensor，Tensor->FloatTensor！！！ z = torch.empty([1,2]) z #隨機運行兩次，結果不同：tensor([[0., 0.]]),tensor([[1.4013e-45, 0.0000e+00]]) print(z) #隨機運行兩次，結果不同：tensor([[0., 0.]]),tensor([[1.4013e-45, 0.0000e+00]]) type(z) #torch.Tensor print(type(z)) #<class 'torch.Tensor'> z.type() #'torch.FloatTensor'，注意：empty()默認為torch.FloatTensor而不是torch.LongTensor print(z.type()) #torch.FloatTensor，注意：empty()默認為torch.FloatTensor而不是torch.LongTensor #torch.tensor(1)、torch.Tensor(1)和torch.empty(1)的對比： t1 = torch.tensor(1) t2 = torch.Tensor(1) t3 = torch.empty(1) t1 #tensor(1) print(t1) #tensor(1) type(t1) #torch.Tensor print(type(t1)) #<class 'torch.Tensor'> t1.type() #'torch.LongTenso' print(t1.type()) #torch.LongTensor t2 #隨機運行兩次，結果不同：tensor([2.8026e-45]),tensor([0.]) print(t2) #隨機運行兩次，結果不同：tensor([2.8026e-45]),tensor([0.]) type(t2) #torch.Tensor print(type(t2)) #<class 'torch.Tensor'> t2.type() #'torch.FloatTensor' print(t2.type()) #torch.FloatTensor t3 #隨機運行兩次，結果不同：tensor([0.]),tensor([1.4013e-45]) print(t3) #隨機運行兩次，結果不同：tensor([0.]),tensor([1.4013e-45]) type(t3) #torch.Tensor print(type(t3)) #<class 'torch.Tensor'> t3.type() #'torch.FloatTensor' print(t3.type()) #torch.FloatTensor
上文提到過，對于Tensor，更推薦采用x.type()來查看數據類型。是因為x.type()的輸出結果為'torch.LongTensor'或'torch.FloatTensor'，可以看出兩個數組的種類區別。而采用type(x)，則清一色的輸出結果都是torch.Tensor，無法體現類型區別。
PyTorch是個神奇的工具，其中的Tensor用法要遠比numpy豐富。大家可以在練習中多多總結，逐漸提高~
以上就是關于PyTorch中torch.tensor和torch.Tensor有什么區別的內容，如果你們有學習到知識或者技能，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
