目录

1. Tensor数据类型

2. Tensor存储结构

---

在讲PyTorch这个系列之前，先讲一下pytorch中最常见的tensor张量，包括数据类型，创建类型，类型转换，以及存储方式和数据结构。

1. Tensor数据类型

(1) 一共包括9种数据类型，3大类

torch.LongTensor常用在深度学习中的标签值 ，比如分类任务中的类别标签0，1，2等torch.FloatTensor常用做深度学习中可学习参数或者输入数据的类型

(2) pytorch中的 type() 和 dtype

tensor.type()：返回的是数据所属的Tensor类型，如 torch.LongTensor等
tensor.dtype：返回的是tensor数据自身的类型，如 torch.int8, torch.long等

x = torch.tensor([1, 2])
print(x.dtype)  # torch.int64
print(x.type()) # torch.LongTensor

(3) pytorch默认的整数是int64， 默认的浮点数是float32。

x = torch.tensor([1, 2, 3])
print(x.dtype)  # torch.int64
y = torch.tensor([1., 2., 3.])
print(y.dtype)  # torch.float32

(3) 使用两种方式创建不同类型的张量

【方式1】直接在后面用dtype定义tensor类型

【方式2】参考上面数据类型表格中的最右侧Tensor type来新建不同类型的张量

# 方式1：直接在后面用dtype定义tensor类型
x = torch.tensor([1, 2, 3], dtype=torch.int8)
print(x.dtype)  # torch.int8

# 方式2: 参考上面数据类型表格中的最右侧Tensor type来新建不同类型的张量
y = torch.CharTensor([1, 2, 3])
print(y.dtype)  # torch.int8

注意：torch.tensor() 和 torch.Tensor()新建张量的区别

torch.Tensor()本质是torch.FloatTensor()，新建的tensor是float类型的

toch.tensor(data, dtype=None, device=None, requires_grad=False) 可以根据dtype定义不同类型

x = torch.Tensor([1, 2])
print(x.type()) # torch.FloatTensor
y = torch.tensor([1, 2], dtype=torch.long)
print(y.type())  # torch.LongTensor

(4) 使用两种方式进行不同类型的转换

【方式1】使用 float(), short(), int(), long()等函数

【方式2】使用x.type的方式

# 方式1：使用 float(), short(), int(), long()等函数
x = torch.tensor([1, 2, 3])
x = x.short()
print(x.dtype)  # torch.int16

# 方式2: 使用x.type的方式
y = torch.tensor([1, 2, 3])
y = y.type(torch.int64)
print(y.dtype)  # torch.int64

2. Tensor存储结构

(1) Tensor的数据结构如下图所示，主要包含下面两个部分。

• 头信息区 Tensor：保存张量的形状size，步长stride，数据类型int, char等信息
• 存储区 Storage：保存真正的数据，Storage是在data之上的接口
• 头信息区的占用内存较小，Storage为主要的占用内存

 (2) 注意：不同的tensor的头信息可能不同，但是却可能共享相同的storage，如下示例

通过reshape或者view的操作，只改变了头部信息，如storage，storage内容和内存地址没有改变

x = torch.tensor([1, 2, 3, 4, 5, 6])
y = x.reshape(2, 3)
print(x.storage(), y.storage()) # 1 2 3 4 5 6    1 2 3 4 5 6
print(x.storage().data_ptr(), y.storage().data_ptr()) # 2330435641664 2330435641664
print(x.stride(), y.stride())   # (1,) (3, 1)

所以此时当x改变，y也跟着改变，因为x和y共享相同的storage

x = torch.tensor([1, 2, 3, 4, 5, 6])
y = x.reshape(2, 3)
x[0] = 11
print(y)    # tensor([[11, 2, 3], [4, 5, 6]])

(3) 知识补充: id() 和 data_ptr()的区别和误区

在tensor中，常用x.storage().data_ptr() 来判断两个tensor是否共享storage()，这是torch提供的一个来自于C++底层的方法，该方法可以返回storage()里的首元素的内存地址。如下：

x = torch.tensor([1, 2, 3, 4, 5, 6])
y = x.reshape(2, 3)
print(x.storage().data_ptr(), y.storage().data_ptr())  # 1672574819456 1672574819456

id() 默认不会返回对象的内存地址，而是返回一个唯一的对象标识符，并且在该对象的生命周期内是不变的。虽然，CPython实现以某种方式使用内存地址。但这不应该作为一般情况下的参考。因此用id()来对storage()进行判断时，会出现下面情况 - id不相等

x = torch.tensor([1, 2, 3, 4, 5, 6])
y = x.reshape(2, 3)
print(id(x.storage()))  # 2271657541704
print(id(y.storage()))  # 2271657679944

但是受到上面的启发，感觉他们的内存是共享的，那肯定是相等的啊。为什么不相等呢？很简单，是因为x.storage()和y.storage()新建了两个不同的对象，也就是指针，只不过这俩指针指向的是相同的一块内存，但是这俩对象的id是不等的。

那除此之外，有时候他们的id也会相等的时候，如下：

x = torch.tensor([1, 2, 3, 4, 5, 6])
y = x.reshape(2, 3)
print(id(x.storage()), id(y.storage()))  # 2137680796872 2137680796872

为什么相等呢？是因为内存的释放速度问题，第一个x新建完释放了内存，然后该内存直接给y.storage()了，所以会相等。

综上：判断两个tensor是否共享storage()，使用storage().data_ptr()才行！不可使用id

注：该博客中部分图文参考链接：【小白学PyTorch】9 tensor数据结构与存储结构 - 知乎，PyTorch 笔记（11）— Tensor内部存储结构（头信息区 Tensor，存储区 Storage）

        

如看其他Docker内容，可看本博客 Pytorch操作，持续更新中。