pythonPyTorch

int	IntTensor of size()
float	FloatTensor of size()
Int array	IntTensor of size[d1,d2,…]
Float array	FloatTensor of size [d1,d2,…]
string	–

需要注意的是，python中的string，在PyTorch中沒有對應(yīng)的數(shù)據(jù)類型，一般使用One-hot可以進(jìn)行表示，也就是[0,1,0,0,0]的方式表示一個字符串，或者使用Embedding的方式，常用的有Word2vec和glove

1. 類型推斷

import torcha = torch.randn(2,3) # 使用隨機(jī)正態(tài)分布方法，均值0，方差1，N(0,1),新建了2維向量，兩行三列， a.type() # 'torch.FloatTensor' type(a) # <class 'torch.Tensor'> isinstance(a, torch.FloatTensor) # True

需要注意的是同一個tensor在CPU和GPU中是不一樣的。

isinstance(a, torch.cuda.FloatTensor) # False a = a.cuda() isinstance(a, torch.cuda.FloatTensor) # True

a.cuda()會返回一個gpu上的引用。

標(biāo)量

b = torch.tensor(1.3) b.shape # torch.Size([]) b.dim() # 0 b.size() # torch.Size([])

torch.tensor(1.)就創(chuàng)建了值為1的標(biāo)量。torch.tensor(1.3)創(chuàng)建了值為1.3000的標(biāo)量。

注意，1.3是0維，但是[1.3]是1維，長度為1的Tensor

我們通常使用的loss就是維度為0的標(biāo)量。

向量

在PyTorch中統(tǒng)一稱向量為張量。

c = torch.tensor([1.1]) # 創(chuàng)建了1維的張量，值為1.100 c = torch.tensor([1.1, 2.2]) # 創(chuàng)建了2維的張量，值為1.1000, 2.2000torch.FloatTensor(1) # 隨機(jī)創(chuàng)建一個1維的Float張量，值隨機(jī) tensor([0.]) torch.FloatTensor(2) # 隨機(jī)創(chuàng)建一個2維的Float張量，值隨機(jī) tensor([1.0842e-19, 1.9859e+00])# 可以通過引入numpy來創(chuàng)建張量 data = numpy.ones(2) # 長度維2的向量，值為array([1., 1.]) torch.from_numpy(data) # 從numpy中引入數(shù)據(jù)，值為tensor([1., 1.], dtype=torch.float64)

我們通常使用的bias偏置，就是維度為1的張量。

需要注意的是，在PyTorch0.3以及之前的版本中，維度為0的張量是不存在的，例如loss=0.3的dim為1，在PyTorch0.4以及以后的版本中，loss=0.3表示一個標(biāo)量。

舉例：
下面一個例子中，dim=2，隨機(jī)正態(tài)分布數(shù)據(jù)：

a = torch.randn(2,3) # 隨機(jī)生成dim=2的tensor # tensor([[-0.3537, -0.2374, 0.3935], # [ 0.0542, -0.2078, 0.6238]]) a.shape # torch.Size([2, 3]) a.size() # torch.Size([2, 3]) a.size(0) # 2 a.size(1) # 3 a.shape[0] # 2 a.shape[1] # 3

下面一個例子中，dim=3，隨機(jī)均勻分布數(shù)據(jù)：

a = torch.rand(1,2,3) #生成隨機(jī)均勻分布數(shù)據(jù) # tensor([[[0.9005, 0.5394, 0.7798], # [0.5691, 0.3837, 0.1468]]]) a[0] # tensor([[0.9005, 0.5394, 0.7798], # [0.5691, 0.3837, 0.1468]])

三維張量，適合RNN這種網(wǎng)絡(luò)結(jié)構(gòu)。
下面一個例子中，dim=4，隨機(jī)均勻分布數(shù)據(jù)：

a = torch.rand(2,3,28,28) #生成隨機(jī)均勻分布數(shù)據(jù),例如在圖片中，2表示兩張照片，3表示顏色通道RGB，28表示長，28表示寬

四維張量，適合卷積神經(jīng)網(wǎng)絡(luò)。

a = torch.rand(2,3,28,28) a.numel() # 表示tensor占用內(nèi)存的數(shù)量 number of element a.dim() # a的維度

總結(jié)

以上是生活随笔為你收集整理的PyTorch教程（一）：张量数据类型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。