Pytorch 基本的数据类型

Love The Way You Lie 2022-01-12 03:09 582阅读 0赞

Pytorch中的基本数据类型就是各式各样的张量，张量可以理解为多维矩阵。Pytorch中定义了一个Tensor类来实现张量，Tensor在使用上与numpy的ndarray类似，不同的是，Tensor可以在GPU上运行，但是numpy只能在CPU上运行，当然numpy与Tensor可以进行相互转换，以此使得numpy数据在GPU上运行。Pytorch中的Tensor又包括CPU上的数据类型和GPU上的数据类型，两种数据类型之间也可以进行相互转换，下面是Pytorch定义的数据类型：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaWNhbzE5OTA_size_16_color_FFFFFF_t_70][]

## 1. 类型检查 ##

Pytorch数据类型的检查可以通过三个方式：

1）python内置函数type()

2）Tensor的成员函数Tensor.type()

3）Pytorch提供的工具函数isinstance()

示例代码：

import torch
    
    a = torch.randn(2, 3)  # 2行3列,正态分布~N(0,1)
    print(a)
    print(type(a))
    print(a.type())
    print(isinstance(a, torch.FloatTensor))

运行结果：

tensor([[-0.6646,  0.3935,  1.2683],
            [-1.8576,  0.2761,  1.4787]])
    <class 'torch.Tensor'>
    torch.FloatTensor
    True

从运行结果来看，python内置的类型检测函数type()只能检查该数据是Tensort类型，具体的基本数据类型无法检测出来，而Tensor的成员函数type()更加直观，可以检测出Tensor数据的基本类型。isinstance()函数主要用于判断某数据是否属于某个数据类型，如果属于返回True,否则返回False。

## 2. 数据类型转换 ##

Tensor类型的变量进行类型转换一般有两种方法：

1）Tensor类型的变量直接调用long(), int(), double(),float(),byte()等函数就能将Tensor进行类型转换；

2）在Tensor成员函数type()中直接传入要转换的数据类型。

当你不知道要转换为什么类型时，但需要求a1,a2两个张量的乘积，可以使用a1.type\_as(a2)将a1转换为a2同类型。

示例代码：

import torch
    
    a = torch.randn(2, 3)
    print(a.type())
    
    # 转换为IntTensort类型
    b = a.int()
    
    # 转换为LongTensor类型
    c = a.type(torch.LongTensor)
    
    print(b.type())
    print(c.type())
    
    # 将a转换为与b相同的类型
    a.type_as(b)
    print(a.type())

运行结果：

torch.FloatTensor
    torch.IntTensor
    torch.LongTensor
    torch.FloatTensor

## 3. Tensor与Numpy ndarray之间的转换 ##

Tensor和numpy.ndarray之间还可以相互转换，其方式如下：

1）Numpy转化为Tensor：torch.from\_numpy(numpy矩阵)

2）Tensor转化为numpy：Tensor矩阵.numpy()

示例代码：

import torch
    import numpy as np
    
    # 定义一个3行2列的全为0的矩阵
    b = torch.randn((3, 2))
    
    # tensor转化为numpy
    numpy_b = b.numpy()
    print(numpy_b)
    
    # numpy转化为tensor
    numpy_e = np.array([[1, 2], [3, 4], [5, 6]])
    torch_e = torch.from_numpy(numpy_e)
    
    print(numpy_e)
    print(torch_e)

## 4. CPU或GPU张量之间的转 ##

1) CPU张量 ---->  GPU张量, 使用Tensor.cuda()

2) GPU张量 ----> CPU张量 使用Tensor.cpu()

我们可以通过torch.cuda.is\_available()函数来判断当前的环境是否支持GPU，如果支持，则返回True。所以，为保险起见，在项目代码中一般采取“先判断，后使用”的策略来保证代码的正常运行，其基本结构如下：

import torch
    
    # 定义一个3行2列的全为0的矩阵
    tmp = torch.randn((3, 2))
    
    # 如果支持GPU，则定义为GPU类型
    if torch.cuda.is_available():
        inputs = tmp.cuda()
    # 否则，定义为一般的Tensor类型
    else:
        inputs = tmp

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaWNhbzE5OTA_size_16_color_FFFFFF_t_70]: /images/20220109/5f1715939609414a8fcc6cdcfd76c719.png