将torch改为pytorch torch改变数据类型

文章目录

• 1 torch.Tensor
• 2 Data types
• 3 Initializing and basic operations

• 1）使用torch.tensor() 创建
• 2）使用python list创建
• 3）使用zeros ones函数创建
• 4）通过torch.dtype指定类型， torch.device指定构造器
• 5）零维张量
• 6）torch.Tensor.item()从包含单个值的张量中获取Python数字

• 4 type changes

• 1）tensor间类型转换
• 2）数据存储位置转换
• 3）与Python数据类型转换
• 4）剥离出一个tensor参与计算，但不参与求导

官网链接

1 torch.Tensor

A torch.Tensoris a multi-dimensional matrix containing elements of a single data type.
torch.Tensor 是包含单一数据类型的多维矩阵

2 Data types

Torch定义了10种不同CPU和GPU的张量类型，下面摘录常用的几种

Data type	dtype	CPU tensor	GPU tensor
32-bit floating point	torch.float32 or torch.float	torch.FloatTensor	torch.cuda.FloatTensor
64-bit floating point	torch.float64 or torch.double	torch.DoubleTensor	torch.cuda.DoubleTensor
32-bit integer (signed)	torch.int32 or torch.int	torch.IntTensor	torch.cuda.IntTensor
64-bit integer (signed)	torch.int64 or torch.long	torch.LongTensor	torch.cuda.LongTensor
Boolean	torch.bool	torch.BoolTensor	torch.cuda.BoolTensor

torch.Tensor is an alias for the default tensor type (torch.FloatTensor).
torch.Tensor 是默认张量类型(torch.FloatTensor)的别名

CPU张量在torch中，GPU张量在torch.cuda包中

从CPU转换到GPU，有一个to(device)的张量方法，可以创建张量的副本到指定设备（可以是CPU或GPU）

• GPU设备可以在冒号之后指定一个可选设备的索引。例如，系统中的第二个GPU可以用“cuda:1”寻址（索引从零开始）
• 另一种更为有效的方法是使用torch.device类，该类接受设备名称和可选索引。它有device属性，所以可以访问张量当前所在的设备。

从GPU转换到CPU，使用.cpu()方法

3 Initializing and basic operations

1）使用torch.tensor() 创建

2）使用python list创建

3）使用zeros ones函数创建

4）通过torch.dtype指定类型， torch.device指定构造器

5）零维张量

就是数字，比如说是某些操作的求和结果

可以使用torch.tensor()函数创建

6）torch.Tensor.item()从包含单个值的张量中获取Python数字

必须是单个值才行！！！！

4 type changes

参考

1）tensor间类型转换

• 在Tensor后加.long(), .int(), .float(), .double()等
• 也可以用.to()函数进行转换

2）数据存储位置转换

CPU张量 ----> GPU张量，使用data.cuda() 或者 data.to() GPU张量 ----> CPU张量，使用data.cpu()

3）与Python数据类型转换

1 torch.Tensor ----> 单个Python数据，使用data.item()，data为Tensor变量且只能为包含单个数据

2 torch.Tensor ----> Python list，使用data.tolist()，data为Tensor变量，返回shape相同的可嵌套的list

3 torch.Tensor ----> numpy，使用data.numpy()，data为Tensor变量

4 numpy ----> torch.Tensor，tensor = torch.from_numpy(ndarray)

5 list ----> numpy ，使用np.array(list)

6 numpy----> list ，使用.tolist()

参考

4）剥离出一个tensor参与计算，但不参与求导

Tensor后加 .detach()