基于PyTorch深度学习实战入门系列-PyTorch基础上

判断GPU是否可用
python 复制代码
```
torch.cuda.is_available()
```

张量

Torch 定义了 10 种张量类型，包括 CPU 和 GPU 形式，如下表所示：

数据类型	dtype	CPU张量	GPU张量
32位浮点数	torch.float32、torch.float	torch.FloatTensor	torch.cuda.FloatTensor
64位浮点数	torch.float64、torch.double	torch. DoubleTensor	torch.cuda.DoubleTensor
16位浮点数	torch.float16、torch.half	torch.HalfTensor	torch.cuda.HalfTensor
16位浮点数	torch.bfloat16	torch.BFloat16Tensor	torch.cuda.BFloat16Tensor
32位复数	torch.complex32、torch.chalf	/	/
64位复数	torch.complex64、torch.cfloat	torch.complex	/
128位复数	torch.complex128、torch.cdouble	/	/
8位整型（无符号）	torch.uint8	torch.ByteTensor	torch.cuda.ByteTensor
8位整型（有符号）	torch.int8	torch.CharTensor	torch.cuda.CharTensor
16位整型（有符号）	torch.int16、torch.short	torch.ShortTensor	torch.cuda.ShortTensor
32位整型（有符号）	torch.int32、torch.int	torch.IntTensor	torch.cuda.IntTensor
64位整型（有符号）	torch.int64、torch.long	torch.LongTensor	torch.cuda.LongTensor
布尔	torch.bool	torch.BoolTensor	torch.cuda.BoolTensor
量化的8位整型（无符号）	torch.quint8	torch.ByteTensor	/
量化8位整型（有符号）	torch.qint8	torch.CharTensor	/
量化的32位整型（有符号）	torch.qint32	torch.IntTensor	/
量化4位整型（无符号）	torch.quint4x2	torch.ByteTensor	/

torch.tensor()和torch.Tensor()的区别：

torch.tensor 是一个工厂函数，它接收多种类型的输入，包括原始数据（如列表、元组或张量）、数据类型和计算设备的指定以及是否需要开启自动求导功能的指示。它的返回值总是新创建的一个张量，即使输入本身就是张量。

torch.Tensor 是一个类，它用于创建空的张量。它的参数可以是张量的形状（shape）或者是另一个张量。该类的实例化不会改变输入张量的内容，而是返回一个新的张量对象。

虽然 torch.tensor 和 torch.Tensor 在功能上是相似的，都用于创建PyTorch中的张量，但 torch.Tensor 作为类，提供了更多灵活性，并且在使用时可以避免一些复杂的类型推断问题。

torch中默认的数据类型为32位浮点型

python 复制代码

tensor1 = torch.Tensor(5)
tensor1.dtype

输出：

python 复制代码

torch.float32

更改默认数据类型：

python 复制代码

torch.set_default_tensor_type(torch.FloatTensor)

获取默认数据类型：

python 复制代码

torch.get_default_dtype()

输出：

python 复制代码

torch.float32

初始化张量

通过传入List初始化：

python 复制代码

tensor2 = torch.Tensor([[1, 2], [3, 4]])
tensor2

输出：

python 复制代码

tensor([[1., 2.],
        [3., 4.]])

通过传入数组初始化：

复制代码

array = np.array([[5, 6], [7, 8]])
tensor3 = torch.Tensor(array)
tensor3

输出：

python 复制代码

tensor([[5., 6.],
        [7., 8.]])

按类型初始化：

python 复制代码

# 32位浮点数
tensor1 = torch.FloatTensor([1])
# 64位浮点数
tensor2 = torch.DoubleTensor([2])
# 16位浮点数
tensor3 = torch.HalfTensor([3])
# 32位整型
tensor4 = torch.IntTensor([4])
# 64位整型
tensor5 = torch.LongTensor([5])
# 布尔类型
tensor6 = torch.BoolTensor([0, 1, 0, 1])

print(f"tensor1:{tensor1}")
print(f"tensor2:{tensor2}")
print(f"tensor3:{tensor3}")
print(f"tensor4:{tensor4}")
print(f"tensor5:{tensor5}")
print(f"tensor6:{tensor6}")

输出：

python 复制代码

tensor1:tensor([1.])
tensor2:tensor([2.], dtype=torch.float64)
tensor3:tensor([3.], dtype=torch.float16)
tensor4:tensor([4], dtype=torch.int32)
tensor5:tensor([5])
tensor6:tensor([False,  True, False,  True])

构造全 0 全 1 张量并初始化类型：

python 复制代码

# 构造全0张量 并设置类型为torch.float32
zerotensor = torch.zeros([3, 6], dtype=torch.float32)
# 构造全1张量 并设置类型为torch.int32
onetensor = torch.ones([3, 6], dtype=torch.int32)

print(zerotensor)
print(onetensor)

输出：

python 复制代码

tensor([[0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0.]])
tensor([[1, 1, 1, 1, 1, 1],
        [1, 1, 1, 1, 1, 1],
        [1, 1, 1, 1, 1, 1]], dtype=torch.int32)

创建相同大小的全 1 或全 0 张量

python 复制代码

# 创建相同大小全1张量
tensor1 = torch.Tensor([[1, 2, 3], [4, 5, 6]])
likeone = torch.ones_like(tensor1)
# 创建相同大小全0张量
likezero = torch.zeros_like(tensor1)
print(tensor1)
print(likeone)
print(likezero)

输出：

python 复制代码

tensor([[1., 2., 3.],
        [4., 5., 6.]])
tensor([[1., 1., 1.],
        [1., 1., 1.]])
tensor([[0., 0., 0.],
        [0., 0., 0.]])

生成同纬度随机张量

python 复制代码

# 生成同纬度随机张量
rantensor = torch.rand_like(tensor1)
print(rantensor)

输出：

python 复制代码

tensor([[0.1340, 0.2402, 0.7677],
        [0.6867, 0.7134, 0.0426]])

使用new_full填充张量

python 复制代码

newfull = tensor1.new_full((3, 3), fill_value=8)
print(newfull)

输出：

python 复制代码

tensor([[8., 8., 8.],
        [8., 8., 8.],
        [8., 8., 8.]])

使用new_zeros构建全 0 张量

python 复制代码

# 使用new_zeros构建全0张量
newzeros = tensor1.new_zeros((3, 3))
print(newzeros)

输出：

python 复制代码

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

使用new_ones构建全 1 张量

python 复制代码

# 使用new_ones构建全0张量
newones = tensor1.new_ones((3, 3))
print(newones)

输出：

python 复制代码

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

使用new_empty构建全空张量

python 复制代码

# 使用new_empty构建全0张量
newempty = tensor1.new_empty((3, 3))
print(newempty)

输出：

python 复制代码

tensor([[8., 8., 8.],
        [8., 8., 8.],
        [8., 8., 8.]])

张量的操作：

张量的类型转换（两种方式）：

python 复制代码

tensor1 = torch.Tensor([1, 2, 3])
print(tensor1.dtype)
# 转换成整型的第一种方法
print(tensor1.int().dtype)
# 转换成整形的第二种方法
print(tensor1.to(dtype=torch.int32).dtyp

输出：

python 复制代码

torch.float32
torch.int32
torch.int32

获取张量的值（只能获取一个数）：

python 复制代码

tensor1[0].item()

张量转换成数组：

python 复制代码

array = tensor1.numpy()

数组转换为张量：

python 复制代码

array = np.ones((3, 3))
tensor1 = torch.as_tensor(array)
tensor2 = torch.from_numpy(array)
print(tensor1)
print(tensor2)

输出：

python 复制代码

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

基于PyTorch深度学习实战入门系列-PyTorch基础上

torch.tensor()和torch.Tensor()的区别：

torch中默认的数据类型为32位浮点型

更改默认数据类型：

获取默认数据类型：

初始化张量

通过传入List初始化：

通过传入数组初始化：

按类型初始化：

构造全 0 全 1 张量并初始化类型：

创建相同大小的全 1 或全 0 张量

生成同纬度随机张量

使用new_full填充张量

使用new_zeros构建全 0 张量

使用new_ones构建全 1 张量

使用new_empty构建全 空 张量

张量的操作：

张量的类型转换（两种方式）：

获取张量的值（只能获取一个数）：

张量转换成数组：

数组转换为张量：

使用new_empty构建全空张量