3 | PyTorch张量操作：元素类型、GPU交互、NumPy交互、存储

张量的元素类型

与列表不同的是，张量只能用来处理数值类型，不像Python列表，什么类型都可以往里面放，下面就是tensor中可以处理的数值类型

• torch.float32 或 torch.float 32位浮点数
• torch.float64 或 torch.double 64位双精度浮点数
• torch.float16 或 torch.half 16位半精度浮点数
• torch.int8 8位有符号整数
• torch.uint8 8位无符号整数
• torch.int16 或 torch.short 16位有符号整数
• torch.int32 或 torch.int 32位有符号整数
• torch.int64 或 torch.long 64位有符号整数
• torch.bool 布尔类型

不同的元素类型直接影响tensor在内存中所占用的内存块大小，比如32位浮点数就占用32个bite，而64位则占用64个bite，所以在需要优化模型性能的时候可以考虑降低精度。
对于PyTorch来说，如果不做特殊处理，在构建浮点数tensor时默认使用float32，也就是32位浮点数，在构建整数tensor的时候使用的是int64,64位有符号整数

关于元素类型的操作：
除了默认情况以外，我们当然可以手动的来修改元素类型。比如在构建tensor的时候在后面加上dtype参数，并指定具体的类型

double_points = torch.ones(10, 2, dtype=torch.double)
short_points = torch.tensor([[1, 2], [3, 4]], dtype=torch.short)

对于tensor也有一个dtype方法，可以用来查看当前tensor的元素类型

short_points.dtype
outs:tor