pytorch Tensor的數據類型怎么應用

本篇內容介紹了“pytorch Tensor的數據類型怎么應用”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

關于Tensor的數據類型說明

1. 32位浮點型：torch.FloatTensor

a=torch.Tensor( [[2,3],[4,8],[7,9]], )
print "a:",a
print "a.size():",a.size()
print "a.dtype:",a.dtype
 
b=torch.FloatTensor( [[2,3],[4,8],[7,9]] )
print "b:",b
print "b.shape:",b.shape
print "b.dtype:",b.dtype

可以看出 torch.FloatTensor 是32位float類型，并且torch.Tensor默認的數據類型是32位float類型。

2. 64位浮點型：torch.DoubleTensor

b=torch.DoubleTensor( [[2,3],[4,8],[7,9]] )
print "b:",b
print "b.shape:",b.shape
print "b.dtype:",b.dtype

 3. 16位整型：torch.ShortTensor

b=torch.ShortTensor( [[2,3],[4,8],[7,9]] )
print "b:",b
print "b.shape:",b.shape
print "b.dtype:",b.dtype

4.  32位整型：torch.IntTensor

b=torch.IntTensor( [[2,3],[4,8],[7,9]] )
print "b:",b
print "b.shape:",b.shape
print "b.dtype:",b.dtype

5. 64位整型：torch.LongTensor

b=torch.LongTensor( [[2,3],[4,8],[7,9]] )
print "b:",b
print "b.shape:",b.shape
print "b.dtype:",b.dtype

6. 快速創建Tensor

（1） torch.zeros()

a=torch.zeros( size=(4,5),dtype=torch.float32 )
print a
print a.shape
print a.dtype

（2） torch.randn()

a=torch.randn( size=(4,5),dtype=torch.float32 )
print a
print a.shape
print a.dtype

7. Tensor索引方式，參考numpy

8. Tensor和numpy數組轉換：

（1） Tensor轉numpy，

a=torch.randn( size=(4,5),dtype=torch.float32 )
print a
print a.shape
print a.dtype
 
b= a.numpy()
print b
print b.shape
print b.dtype

（2） numpy轉Tensor，

a=np.random.randn(4,3)
print a
print a.shape
print a.dtype
 
b=torch.from_numpy( a )
print b
print b.shape
print b.dtype

9.更改Tensor的數據類型，

a=torch.FloatTensor( (3,2) )
print a
print a.shape
print a.dtype
 
a.int()
print a
print a.shape
print a.dtype

10. GPU加速，如果pytorch支持GPU加速，可以加Tensor放到GPU執行，

if torch.cuda.is_available():
    a_cuda = a.cuda()

pytorch Tensor變形函數

view(), resize(), reshape() 在不改變原tensor數據的情況下修改tensor的形狀，前后要求元素總數一致，且前后tensor共享內存

如果想要直接改變Tensor的尺寸，可以使用resize_()的原地操作函數。

在resize_()函數中，如果超過了原Tensor的大小則重新分配內存，多出部分置0，如果小于原Tensor大小則剩余的部分仍然會隱藏保留。

transpose()函數可以將指定的兩個維度的元素進行轉置，而permute()函數則可以按照給定的維度進行維度變換。

在實際的應用中，經常需要增加或減少Tensor的維度，尤其是維度為1的情況，這時候可以使用squeeze()與unsqueeze()函數，前者用于去除size為1的維度，而后者則是將指定的維度的size變為1。

有時需要采用復制元素的形式來擴展Tensor的維度，這時expand就派上用場了。

expand()函數將size為1的維度復制擴展為指定大小，也可以使用expand_as()函數指定為示例Tensor的維度。

注意：在進行Tensor操作時，有些操作如transpose()、permute()等可能會把Tensor在內存中變得不連續，而有些操作如view()等是需要Tensor內存連續的，這種情況下需要使用contiguous()操作先將內存變為連續的。在PyTorch v0.4版本中增加了reshape()操作，可以看做是Tensor.contiguous().view()

Tensor的排序與取極值

排序函數sort()，選擇沿著指定維度進行排序，返回排序后的Tensor及對應的索引位置。

max()與min()函數則是沿著指定維度選擇最大與最小元素，返回該元素及對應的索引位置。

Tensor與NumPy轉換

Tensor與NumPy可以高效地進行轉換，并且轉換前后的變量共享內存。在進行PyTorch不支持的操作時，甚至可以曲線救國，將Tensor轉換為NumPy類型，操作后再轉為Tensor。

“pytorch Tensor的數據類型怎么應用”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！