本文主要是介绍1、TORCH.TENSOR,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
torch.Tensor 是一个多维矩阵,包含单一数据类型的元素。
Data types
Torch 定义了 10 种具有 CPU 和 GPU 变体的张量类型,如下所示:
Data type | dtype | CPU tensor | GPU tensor |
---|---|---|---|
32-bit floating point |
|
|
|
64-bit floating point |
|
|
|
16-bit floating point 1 |
|
|
|
16-bit floating point 2 |
|
|
|
32-bit complex |
| ||
64-bit complex |
| ||
128-bit complex |
| ||
8-bit integer (unsigned) |
|
|
|
8-bit integer (signed) |
|
|
|
16-bit integer (signed) |
|
|
|
32-bit integer (signed) |
|
|
|
64-bit integer (signed) |
|
|
|
Boolean |
|
|
|
quantized 8-bit integer (unsigned) |
|
| / |
quantized 8-bit integer (signed) |
|
| / |
quantized 32-bit integer (signed) |
|
| / |
quantized 4-bit integer (unsigned) 3 |
|
| / |
1.有时称为 binary16:使用 1 个符号、5 个指数和 10 个有效位。 当精度以牺牲范围为代价很重要时很有用。
2.有时称为脑浮点: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.量化的 4 位整数存储为 8 位有符号整数。 目前只支持 EmbeddingBag 操作符。
torch.Tensor 是默认张量类型(torch.FloatTensor)的别名。
Initializing and basic operations
可以使用 torch.tensor() 构造函数从 Python 列表或序列构造张量:
>>> torch.tensor([[1., -1.], [1., -1.]])
tensor([[ 1.0000, -1.0000],[ 1.0000, -1.0000]])
>>> torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
tensor([[ 1, 2, 3],[ 4, 5, 6]])
WARNING:torch.tensor() 总是复制数据。 如果您有张量数据并且只想更改其 requires_grad 标志,请使用 requires_grad_() 或 detach() 以避免复制。 如果您有一个 numpy 数组并希望避免复制,请使用 torch.as_tensor()。
可以通过将 torch.dtype 和/或 torch.device 传递给构造函数或张量创建操作来构造特定数据类型的张量:
>>> 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')
有关构建张量的更多信息,请参阅创建操作
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]])
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
有关索引的更多信息,请参阅索引、切片、连接、变异操作。
可以使用 requires_grad=True 创建张量,以便 torch.autograd 记录对它们的操作以进行自动微分。
>>> 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]])
每个张量都有一个关联的 torch.Storage,它保存着它的数据。 张量类还提供存储的多维跨步视图,并在其上定义数字操作。
有关张量视图的更多信息,请参阅Tensor Views。
有关 torch.Tensor 的 torch.dtype、torch.device 和 torch.layout 属性的更多信息,请参阅 Tensor Attributes。
改变张量的方法用下划线后缀标记。 例如, torch.FloatTensor.abs_() 就地计算绝对值并返回修改后的张量,而 torch.FloatTensor.abs() 在新张量中计算结果。
要更改现有张量的 torch.device 和/或 torch.dtype,请考虑在张量上使用 to() 方法。
WARNING:torch.Tensor 的当前实现引入了内存开销,因此它可能会导致在具有许多小张量的应用程序中意外高内存使用。 如果是这种情况,请考虑使用一种大型结构。
Tensor class reference
CLASStorch.
Tensor
根据您的用例,有几种主要的方法可以创建张量。
.要使用预先存在的数据创建张量,请使用 torch.tensor()。
.要创建具有特定大小的张量,请使用 torch.* 张量创建操作(请参阅Creation Ops)。
.要创建与另一个张量具有相同大小(和相似类型)的张量,请使用 torch.*_like 张量创建操作(请参阅创建操作)。
.要创建与另一个张量类型相似但大小不同的张量,请使用 tensor.new_* 创建操作。
Tensor.
T
这个张量的维度是否颠倒了。
如果 n 是 x 中的维数,则 x.T 等效于 x.permute(n-1, n-2, ..., 0)。
这篇关于1、TORCH.TENSOR的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!