torch.Tensor详解

KPer_Yang

已于 2022-08-12 00:09:50 修改

阅读量1.2w

点赞数 10

CC 4.0 BY-SA版权

分类专栏：软件开发相关的技能

于 2022-08-12 00:06:35 首次发布

本文链接：https://blog.csdn.net/KPer_Yang/article/details/126295538

软件开发相关的技能专栏收录该内容

15 篇文章

订阅专栏

本文详细介绍了PyTorch中的张量数据类型，包括不同数值类型的张量、初始化方法、索引与切片操作、从张量获取Python数值以及如何利用requires_grad属性进行自动梯度计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

torch.Tensor详解

参考：

torch.Tensor — PyTorch 1.12 documentation

提供的数据类型：

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`
16-bit floating point [1]	`torch.float16` or `torch.half`	`torch.HalfTensor`	`torch.cuda.HalfTensor`
16-bit floating point [2]	`torch.bfloat16`	`torch.BFloat16Tensor`	`torch.cuda.BFloat16Tensor`
32-bit complex	`torch.complex32` or `torch.chalf`
64-bit complex	`torch.complex64` or `torch.cfloat`
128-bit complex	`torch.complex128` or `torch.cdouble`
8-bit integer (unsigned)	`torch.uint8`	`torch.ByteTensor`	`torch.cuda.ByteTensor`
8-bit integer (signed)	`torch.int8`	`torch.CharTensor`	`torch.cuda.CharTensor`
16-bit integer (signed)	`torch.int16` or `torch.short`	`torch.ShortTensor`	`torch.cuda.ShortTensor`
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`
quantized 8-bit integer (unsigned)	`torch.quint8`	`torch.ByteTensor`	/
quantized 8-bit integer (signed)	`torch.qint8`	`torch.CharTensor`	/
quantized 32-bit integer (signed)	`torch.qint32`	`torch.IntTensor`	/
quantized 4-bit integer (unsigned)	`torch.quint4x2`	`torch.ByteTensor`	/

除了编码常见的类型，还有几种不常见的类型：

1、16-bit floating point[1]：使用 1 个符号、5 个指数和 10 个有效位。当精度很重要以牺牲范围为代价时很有用。

2、16-bit floating point[2]：使用 1 个符号、8 个指数和 7 个有效位。当范围很重要时很有用，因为它具有与 float32 相同数量的指数位

3、quantized 4-bit integer (unsigned)：量化的 4 位整数存储为 8 位有符号整数。目前仅在 EmbeddingBag 运算符中支持。

不指定类型的话，默认是：torch.FloatTensor

初始化：

1、使用列表或者序列：

import torch

torch.tensor([[1., -1.], [1., -1.]])
torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))

注意：torch.tensor会拷贝数据，如果在改变requires_grad时避免拷贝数据，需要使用requires_grad_() or detach()。如果在使用numpy array初始化想避免拷贝，需要使用torch.as_tensor()

2、设置类型和设备

>>> torch.zeros([2, 4], dtype=torch.int32)
tensor([[ 0,  0,  0,  0],
        [ 0,  0,  0,  0]], dtype=torch.int32)
>>> cuda0 = torch.device('cuda:0')
>>> torch.ones([2, 4], dtype=torch.float64, device=cuda0)
tensor([[ 1.0000,  1.0000,  1.0000,  1.0000],
        [ 1.0000,  1.0000,  1.0000,  1.0000]], dtype=torch.float64, device='cuda:0')

3、可以使用 Python 的索引和切片符号访问和修改张量的内容

>>> x = torch.tensor([[1, 2, 3], [4, 5, 6]])
>>> print(x[1][2])
tensor(6)
>>> x[0][1] = 8
>>> print(x)
tensor([[ 1,  8,  3],
        [ 4,  5,  6]])

4、使用 torch.Tensor.item() 从包含单个值的张量中获取 Python 数字：

>>> x = torch.tensor([[1]])
>>> x
tensor([[ 1]])
>>> x.item()
1
>>> x = torch.tensor(2.5)
>>> x
tensor(2.5000)
>>> x.item()
2.5

5、requires_grad=True自动梯度计算

>>> x = torch.tensor([[1., -1.], [1., 1.]], requires_grad=True)
>>> out = x.pow(2).sum()
>>> out.backward()
>>> x.grad
tensor([[ 2.0000, -2.0000],
        [ 2.0000,  2.0000]])