本文主要是介绍PyTorch使用教程之Tensor包详解，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！
《PyTorch使用教程之Tensor包详解》这篇文章介绍了PyTorch中的张量（Tensor）数据结构,包括张量的数据类型、初始化、常用操作、属性等,张量是PyTorch框架中的核心数据结构,支持...
1、张量Tensor
张量(Tensor)是PyTorch深度学习框架中的核心数据结构，在PyTorch软件框架中，几乎所有的数据计算和信息流都是以Tensor的形式在表达。官方给出的定义是：
一个 torch.Tensor是一个包含单个数据类型元素的多维矩阵
关键词
- 单个数据类型：在一个张量数据结构内，只会包含一种数据类型。
- 多维矩阵：简单来说张量就是为了高维矩阵而创建的，常用的NCHW格式矩阵，就是4维矩阵。
学习Tensor这个包的时候，主要是关注张量的数据类型、张量的一些基本操作。
2、数据类型
为了支持各种精度的训练、推javascript理，Tensor支持的数据类型繁多。这里，仅列出在做计算机视觉相关的常用数据类型。
| 数据类型 | dtype |
|---|---|
| 32 位浮点数 | torch.float32 或 torch.float |
| 64 位浮点数 | torch.float64 或 torch.double |
| 16 位浮点数1 | torch.float16 或 torch.half |
| 16 位浮点数 2 | torch.bfloat16 |
| 8 位整数（无符号） | torch.uint8 |
| 32 位整数（无符号） | torch.uint32 |
| 8 位整数（带符号） | torch.int8 |
| 32 位整数（带符号） | torch.int32 或 torch.int |
| 布尔值 | torch.bool |
| 量化 8 位整数（无符号） | torch.quint8 |
| 量化 8 位整数（带符号） | ttorch.qint8 |
| 量化 32 位整数（带符号） | torch.qint32 |
| 量化 4 位整数（无符号） | torch.quint4x2 |
要构造张量，建议使用工厂函数，例如 torch.empty()，其中使用 dtype 参数。 torch.Tensor 构造函数是默认张量类型 (torch.FloatTensor) 的别名。也就是说，在构造张量时，不传入数据类型参数，默认就是32位浮点数。
3、初始化（构造张量）
可以使用 torch.tensor() 构造函数从 python list 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]])有几个注意点：
- torch.tensor() 始终复制 data。也就是说使用list或者序列构造张量时，均为以深拷贝的方式创建。
- 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。例如：
>>> 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')更多的张量构造方式可以参考我的上一篇博文《PyTorch使用教程(2)-torch包》。
4、常用操作
张量支持索引、切片、连接、修改等操作，也支持大量的数学计算操作。常见的操作可以参考我的上一篇博文《PyTorch使用教程(2)-torch包》。这里，仅讲述张量操作需注意的几个点。
仅对一个单个值的张量的使用进行说明：
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
操作张量的方法如果用下划线后缀标记，则表示该操作时inplace操作：操作后的张量和输入张量共享一个Storage。使用inplace操作，可以减小GPU缓存的使用。如torch.FloatTensor.abs_() 在原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。
>>> x = torch.tensor([[1., -1.], [1., -1.]])
>>> x2=x.abs_()
>>> x.storage
<bound method Tensor.storage of tenwww.chinasem.cnsor([[1., 1.],
[1., 1.]])>
>>> x2.storage
<bound method Tensor.storage of tensor([[1., 1.],
www.chinasem.cn [1., 1.]])>5、常用属性
5.1 存储（storage）
每个张量都与一个关联的 torch.Storage，它保存其数据，可以理解为数据缓地址。
>>> t = torch.rand((2,2))
>>> t.storage
<bound method Tensor.storage of tensor([[0.3267, 0.8759],
[0.9612, 0.1931]])>5.2 形状（shape）
可以使用shape属性或者size()方法查看张量在每一维的长度。
>>> x = torch.randn((3,3)) >>> x.shape torch.Size([3, 3]) >>> x.size() torch.Size([3, 3])
可以通过torch的reshape方法或者张量本身的View()方法进行形状的改变。
>>> t = torch.rand((3, 3))
>>> t
tensor([[0.8397, 0.6708, 0.8727],
[0.8286, 0.3910, 0.9540],
[0.8672, 0.4297, 0.1825]])
>>> m=t.view(1,9)
>>> m
tensor([[0.8397, 0.6708, 0.8727, 0.8286, 0.3910, 0.9540, 0.8672, 0.4297, 0.1825]])5.3 数据类型(dtype)
张量的数据类型（如torch.float32, torch.int64等）。
>>> t = torch.rand((3, 3)) >>> t.dtype torch.float32
5.4 设备（device）
张量所在的设备（如CPU或GPU）。
>>> m = torch.rand((3, 3)) >>> m.device device(type='cpu')
如需要China编程在CPU和GPU之间进行张量的移动，可以使用张量的to()方法。
将张量移动到GPU（如果可用）。
>>> m=torch.rand((2,2))
>>> m.device
device(type='cpu')
>>> m.to('cuda')
tensor([[0.5340, 0.0079python],
[0.2983, 0.5315]], device='cuda:0')将张量移动至CPU
>>> m.to('cpu')
tensor([[0.5340, 0.0079],
[0.2983, 0.5315]])6、小结下
用一个表格，汇总下PyTorch中tensor（张量）的常用数据结构及其相关属性：
| 属性/方法 | 描述 | 示例代码 |
|---|---|---|
| 维度（Dimension） | 张量的维度，标量为0维，向量为1维，矩阵为2维，以此类推 | x = torch.tensor([[1, 2], [3, 4]]) （2维张量） |
| 形状（Shape） | 张量在各维度上的大小，返回一个元组 | print(x.shape) 输出: torch.Size([2, 2]) |
| 大小（Size） | 张量中元素的总数，或各维度大小的元组（通过size()方法） | print(x.size()) 输出: torch.Size([2, 2])；print(x.numel()) 输出: 4 |
| 数据类型（Dtype） | 张量中元素的数据类型 | x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)；print(x.dtype) 输出: torch.float32 |
| 设备（Device） | 张量所在的设备（CPU或GPU） | x = x.to('cuda')（如果GPU可用）；print(x.device) 输出: cuda:0（或类似的） |
| 是否要求梯度（Requires Grad） | 一个布尔值，指示是否需要对该张量进行梯度计算 | x.requires_grad_(True)；print(x.requires_grad) 输出: True |
| 梯度（Grad） | 如果requires_grad=True，则存储该张量的梯度 | y = x.sum()；y.backward()；print(x.grad) 输出张量的梯度 |
| 数据（Data） | 张量中存储的实际数据 | x = torch.tensor([[1, 2], [3, 4]])；print(x) 输出张量的数据 |
| 索引与切片 | 使用整数、切片或布尔索引来访问或修改张量的元素 | x[0, 1] 访问第1行第2列的元素；x[:, 0] 访问第1列的所有元素 |
| 视图操作 | .view()或.reshape()改变张量的形状，但不改变其数据 | x_reshaped = x.view(4) 或 x_reshaped = x.reshape(4) 将2x2张量变为1x4张量 |
| 数学运算 | 支持加法、减法、乘法、除法、幂运算等 | y = x + 2；z = x.pow(2) |
| 统计函数 | 如求和（.sum()）、均值（.mean()）、最大值（.max()）等 | sum_val = x.sum()；mean_val = x.mean() |
| 类型转换 | 转换为其他数据类型或设备上的张量 | x_float64 = x.to(dtype=torch.float64)；x_cpu = x.to('cpu') |
到此这篇关于PyTorch使用教程之Tensor包详解的文章就介绍到这了,更多相关PyTorch Tensor包内容请搜索China编程(www.chinasem.cn)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程China编程(www.chinasem.cn)！
这篇关于PyTorch使用教程之Tensor包详解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！
