1、TORCH.TENSOR

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	`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`
64-bit complex	`torch.complex64`
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.qfint32`	`torch.IntTensor`	/
quantized 4-bit integer (unsigned) 3	`torch.quint4x2`	`torch.ByteTensor`	/

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。