不同类型进行转换

1.1 张量的数据类型

i = torch.tensor(1); print(i,i.dtype) x = i.float(); print(x,x.dtype) #调用 float方法转换成浮点类型 y = i.type(torch.float); print(y,y.dtype) #使用type函数转换成浮点类型 z = i.type_as(x); print(z,z.dtype) #使用type_as方法转换成某个Tensor相同类型

tensor(1) torch.int64 tensor(1.) torch.float32 tensor(1.) torch.float32 tensor(1.) torch.float32

1.2 张量的维度

不同类型的数据可以用不同维度(dimension)的张量来表示。

标量为0维张量，向量为1维张量，矩阵为2维张量。

彩色图像有rgb三个通道，可以表示为3维张量。

视频还有时间维，可以表示为4维张量。

可以简单地总结为：有几层中括号，就是多少维的张量。

scalar = torch.tensor(True) print(scalar) print(scalar.dim()) # 标量，0维张量

tensor(True) 0

vector = torch.tensor([1.0,2.0,3.0,4.0]) #向量，1维张量 print(vector) print(vector.dim())

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

matrix = torch.tensor([[1.0,2.0],[3.0,4.0]]) #矩阵, 2维张量 print(matrix) print(matrix.dim())

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

tensor3 = torch.tensor([[[1.0,2.0],[3.0,4.0]],[[5.0,6.0],[7.0,8.0]]]) # 3维张量 print(tensor3) print(tensor3.dim())

tensor([[[1., 2.], [3., 4.]], [[5., 6.], [7., 8.]]]) 3

1.3 张量的尺寸

可以使用 shape属性或者 size()方法查看张量在每一维的长度.

可以使用view方法改变张量的尺寸。

如果view方法改变尺寸失败，可以使用reshape方法.

scalar = torch.tensor(True) vector = torch.tensor([1.0,2.0,3.0,4.0]) print(vector.size()) print(vector.shape)

torch.Size([]) torch.Size([4])

matrix = torch.tensor([[1.0,2.0],[3.0,4.0]]) print(matrix.size())

torch.Size([2, 2])

# 使用view可以改变张量尺寸 vector = torch.arange(0,12) print(vector) print(vector.shape) matrix34 = vector.view(3,4) print(matrix34) print(matrix34.shape) matrix43 = vector.view(4,-1) #-1表示该位置长度由程序自动推断 print(matrix43) print(matrix43.shape)

tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) torch.Size([12]) tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) torch.Size([3, 4]) tensor([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]]) torch.Size([4, 3])

# 有些操作会让张量存储结构扭曲，直接使用view会失败，可以用reshape方法 matrix26 = torch.arange(0,12).view(2,6) print(matrix26) print(matrix26.shape) # 转置操作让张量存储结构扭曲 matrix62 = matrix26.t() print(matrix62.is_contiguous()) # 直接使用view方法会失败，可以使用reshape方法 #matrix34 = matrix62.view(3,4) #error! matrix34 = matrix62.reshape(3,4) #等价于matrix34 = matrix62.contiguous().view(3,4) print(matrix34)

tensor([[ 0, 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10, 11]]) torch.Size([2, 6]) False tensor([[ 0, 6, 1, 7], [ 2, 8, 3, 9], [ 4, 10, 5, 11]])

1.4 张量和numpy数组

可以用numpy方法从Tensor得到numpy数组，也可以用torch.from_numpy从numpy数组得到Tensor。

这两种方法关联的Tensor和numpy数组是共享数据内存的。

如果改变其中一个，另外一个的值也会发生改变。

如果有需要，可以用张量的clone方法拷贝张量，中断这种关联。

此外，还可以使用item方法从标量张量得到对应的Python数值。

使用tolist方法从张量得到对应的Python数值列表。

#torch.from_numpy函数从numpy数组得到Tensor arr = np.zeros(3) tensor = torch.from_numpy(arr) print("before add 1:") print(arr) print(tensor) print("\nafter add 1:") np.add(arr,1, out = arr) #给 arr增加1，tensor也随之改变 print(arr) print(tensor)

before add 1: [0. 0. 0.] tensor([0., 0., 0.], dtype=torch.float64)

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

# numpy方法从Tensor得到numpy数组 tensor = torch.zeros(3) arr = tensor.numpy() print("before add 1:") print(tensor) print(arr) print("\nafter add 1:") #使用带下划线的方法表示计算结果会返回给调用 张量 tensor.add_(1) #给 tensor增加1，arr也随之改变 #或： torch.add(tensor,1,out = tensor) print(tensor) print(arr)

before add 1: tensor([0., 0., 0.]) [0. 0. 0.]

after add 1: tensor([1., 1., 1.]) [1. 1. 1.]

# 可以用clone() 方法拷贝张量，中断这种关联 tensor = torch.zeros(3) #使用clone方法拷贝张量, 拷贝后的张量和原始张量内存独立 arr = tensor.clone().numpy() # 也可以使用tensor.data.numpy() print("before add 1:") print(tensor) print(arr) print("\nafter add 1:") #使用 带下划线的方法表示计算结果会返回给调用 张量 tensor.add_(1) #给 tensor增加1，arr不再随之改变 print(tensor) print(arr)

before add 1: tensor([0., 0., 0.]) [0. 0. 0.]

after add 1: tensor([1., 1., 1.]) [0. 0. 0.]

# item方法和tolist方法可以将张量转换成Python数值和数值列表 scalar = torch.tensor(1.0) s = scalar.item() print(s) print(type(s)) tensor = torch.rand(2,2) t = tensor.tolist() print(t) print(type(t))

1.0 <class ‘float’> [[0.5526873469352722, 0.46957558393478394], [0.6724914312362671, 0.26923561096191406]] <class ‘list’>

Pytorch教程链接