Tensor Attributes
每个torch.Tensor
都有torch.dtype
, torch.device
,和torch.layout
。
torch.dtype
torch.dtype
是表示torch.Tensor
的数据类型的对象。PyTorch
有八种不同的数据类型:
Data type | dtype | Tensor types | |
---|---|---|---|
32-bit floating point | torch.float32 or torch.float | torch.*.FloatTensor | |
64-bit floating point | torch.float64 or torch.double | torch.*.DoubleTensor | |
16-bit floating point | torch.float16 or torch.half | torch.*.HalfTensor | |
8-bit integer (unsigned) | torch.uint8 | torch.*.ByteTensor | |
8-bit integer (signed) | torch.int8 | torch.*.CharTensor | |
16-bit integer (signed) | torch.int16 or torch.short | torch.*.ShortTensor | |
32-bit integer (signed) | torch.int32 or torch.int | torch.*.IntTensor | |
64-bit integer (signed) | torch.int64 or torch.long | torch.*.LongTensor |
使用方法:
>>> x = torch.Tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> print x.type()
torch.FloatTensor
torch.device
torch.device
代表将torch.Tensor
分配到的设备的对象。
torch.device
包含一个设备类型('cpu'
或'cuda'
设备类型)和可选的设备的序号。如果设备序号不存在,则为当前设备; 例如,torch.Tensor
用设备构建'cuda'
的结果等同于'cuda:X'
,其中X
是torch.cuda.current_device()
的结果。
torch.Tensor
的设备可以通过Tensor.device
访问属性。
构造torch.device
可以通过字符串/字符串和设备编号。
通过一个字符串:
>>> torch.device('cuda:0')
device(type='cuda', index=0)
>>> torch.device('cpu')
device(type='cpu')
>>> torch.device('cuda') # current cuda device
device(type='cuda')
通过字符串和设备序号:
>>> torch.device('cuda', 0)
device(type='cuda', index=0)
>>> torch.device('cpu', 0)
device(type='cpu', index=0)
注意
torch.device
函数中的参数通常可以用一个字符串替代。这允许使用代码快速构建原型。
py >> # Example of a function that takes in a torch.device >> cuda1 = torch.device('cuda:1') >> torch.randn((2,3), device=cuda1)
py >> # You can substitute the torch.device with a string >> torch.randn((2,3), 'cuda:1')
注意 出于传统原因,可以通过单个设备序号构建设备,将其视为
cuda
设备。这匹配Tensor.get_device()
,它为cuda
张量返回一个序数,并且不支持cpu
张量。
py >> torch.device(1) device(type='cuda', index=1)
注意 指定设备的方法可以使用(properly formatted)字符串或(legacy)整数型设备序数,即以下示例均等效:
py >> torch.randn((2,3), device=torch.device('cuda:1')) >> torch.randn((2,3), device='cuda:1') >> torch.randn((2,3), device=1) # legacy
torch.layout
torch.layout
表示torch.Tensor
内存布局的对象。目前,我们支持torch.strided(dense Tensors)
并为torch.sparse_coo(sparse COO Tensors)
提供实验支持。
torch.strided
代表密集张量,是最常用的内存布局。每个strided
张量都会关联 一个torch.Storage
,它保存着它的数据。这些张力提供了多维度, 存储的strided
视图。Strides
是一个整数型列表:k-th stride
表示在张量的第 k 维从一个元素跳转到下一个元素所需的内存。这个概念使得可以有效地执行多张量。
例:
>>> x = torch.Tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> x.stride()
(5, 1)
>>> x.t().stride()
(1, 5)
关于torch.sparse_coo
张量的更多信息,请参阅torch.sparse。
译者署名
用户名 | 头像 | 职能 | 签名 |
---|---|---|---|
Song | 翻译 | 人生总要追求点什么 |