本篇内容介绍了“pytorch Tensor的数据类型怎么应用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
关于Tensor的数据类型说明
32位浮点型：torch.FloatTensor
a=torch.Tensor( [[2,3],[4,8],[7,9]], )print "a:",aprint "a.size():",a.size()print "a.dtype:",a.dtype b=torch.FloatTensor( [[2,3],[4,8],[7,9]] )print "b:",bprint "b.shape:",b.shapeprint "b.dtype:",b.dtype
可以看出 torch.FloatTensor 是32位float类型，并且torch.Tensor默认的数据类型是32位float类型。
64位浮点型：torch.DoubleTensor
b=torch.DoubleTensor( [[2,3],[4,8],[7,9]] )print "b:",bprint "b.shape:",b.shapeprint "b.dtype:",b.dtype
3. 16位整型：torch.ShortTensor
b=torch.ShortTensor( [[2,3],[4,8],[7,9]] )print "b:",bprint "b.shape:",b.shapeprint "b.dtype:",b.dtype
32位整型：torch.IntTensor
b=torch.IntTensor( [[2,3],[4,8],[7,9]] )print "b:",bprint "b.shape:",b.shapeprint "b.dtype:",b.dtype
64位整型：torch.LongTensor
b=torch.LongTensor( [[2,3],[4,8],[7,9]] )print "b:",bprint "b.shape:",b.shapeprint "b.dtype:",b.dtype
快速创建Tensor
（1） torch.zeros()
a=torch.zeros( size=(4,5),dtype=torch.float32 )print aprint a.shapeprint a.dtype
（2） torch.randn()
a=torch.randn( size=(4,5),dtype=torch.float32 )print aprint a.shapeprint a.dtype
Tensor索引方式，参考numpy
Tensor和numpy数组转换：
（1） Tensor转numpy，
a=torch.randn( size=(4,5),dtype=torch.float32 )print aprint a.shapeprint a.dtype b= a.numpy()print bprint b.shapeprint b.dtype
（2） numpy转Tensor，
a=np.random.randn(4,3)print aprint a.shapeprint a.dtype b=torch.from_numpy( a )print bprint b.shapeprint b.dtype
更改Tensor的数据类型，
a=torch.FloatTensor( (3,2) )print aprint a.shapeprint a.dtype a.int()print aprint a.shapeprint a.dtype
GPU加速，如果pytorch支持GPU加速，可以加Tensor放到GPU执行，
if torch.cuda.is_available(): a_cuda = a.cuda()pytorch Tensor变形函数
view(), resize(), reshape() 在不改变原tensor数据的情况下修改tensor的形状，前后要求元素总数一致，且前后tensor共享内存
如果想要直接改变Tensor的尺寸，可以使用resize_()的原地操作函数。
在resize_()函数中，如果超过了原Tensor的大小则重新分配内存，多出部分置0，如果小于原Tensor大小则剩余的部分仍然会隐藏保留。
transpose()函数可以将指定的两个维度的元素进行转置，而permute()函数则可以按照给定的维度进行维度变换。
在实际的应用中，经常需要增加或减少Tensor的维度，尤其是维度为1的情况，这时候可以使用squeeze()与unsqueeze()函数，前者用于去除size为1的维度，而后者则是将指定的维度的size变为1。
有时需要采用复制元素的形式来扩展Tensor的维度，这时expand就派上用场了。
expand()函数将size为1的维度复制扩展为指定大小，也可以使用expand_as()函数指定为示例Tensor的维度。
注意：在进行Tensor操作时，有些操作如transpose()、permute()等可能会把Tensor在内存中变得不连续，而有些操作如view()等是需要Tensor内存连续的，这种情况下需要使用contiguous()操作先将内存变为连续的。在PyTorch v0.4版本中增加了reshape()操作，可以看做是Tensor.contiguous().view()
Tensor的排序与取极值
排序函数sort()，选择沿着指定维度进行排序，返回排序后的Tensor及对应的索引位置。
max()与min()函数则是沿着指定维度选择最大与最小元素，返回该元素及对应的索引位置。
Tensor与NumPy转换
Tensor与NumPy可以高效地进行转换，并且转换前后的变量共享内存。在进行PyTorch不支持的操作时，甚至可以曲线救国，将Tensor转换为NumPy类型，操作后再转为Tensor。
“pytorch Tensor的数据类型怎么应用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！
