---

前言

本文记录笔者在学习Pytorch过程中对tensor数据类型的整理和相关记录

一、Tensor数据类型简介

Tensor数据类型是什么?

Tensor一词，在英文中指的是张肌，即一种肌肉纤维，在神经网络学习中，中文在很多文章中，通常将其称作张量

要学习Tensor数据类型，我们先要搞清楚Tensor数据类型是什么，这里列出了一句官方文档给出的解释

A torch.Tensor is a multi-dimensional matrix containing elements of a single data type.

从这句话中不难看出，Tensor是一种矩阵数据类型，内部携带简单数据类型

Tensor数据类型有哪些

Pytorch的官方文档中给出了许多Tensor的数据类型，我们这里关注到32位的FloatTensor以及16位HalfTensor,前者在开发过程中使用频率较高，后者在GPU显存占用上具有独到的优势


通常情况下，Tensor会根据初始化时传入的数据类型确定具体是哪种Tensor, 但我们也可以通过

指定调用的API生成相关数据类型

• FloatTensor

import torch
a = torch.FloatTensor(2,3)
b = torch.FloatTensor([2,3,4,5])
a,b

• IntTensor

import torch
a = torch.IntTensor(2,3)
b = torch.IntTensor([2,3,4,5])
a,b

dtype属性指定Tensor内置的简单数据类型

randomTensor=torch.rand(2,3,dtype=torch.float)
print(randomTensor)

二、Tensor数据类型的基本使用

Tensor初始化

基于list列表和nparray

我们可以通过传入Python的list列表和Numpy的nparray对一个Tensor数据类型进行初始化

import numpy as np
import torch

floatTensor = torch.tensor([[1., -1.], [1., -1.]])
print(floatTensor)
npTensor = torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
print(npTensor)

运行效果如下：

Tensor相关API

基于指定Tensor类型进行初始化

前文中已经列举了FloatTensor和IntTensor两种数据类型的初始化，这里就不进行赘述了

基于Randn生成正态分布的Tensor

返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。

randomTensor=torch.randn(2,3,dtype=torch.float)
print(randomTensor)

基于Rand生成均匀分布的Tensor

返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。

randomTensor=torch.rand(2,3,dtype=torch.float)
print(randomTensor)

torch.zeros/ones/empty

返回一个张量，zeros表示张量内全部都为0，ones表示张量内全部为1，empty则是生成一个张量，内部元素全部为空，只生成其大小

三、Tensor数据类型特点

1.几种数据类型的比较和说明

List和Nparray比较

• Numpy中的Nparray采用连续地址存储，原生list只能通过寻址方式找到下一种元素；这是因为Numpy制定了其存储的数据类型，可以统一分配内存空间，而List中的数据类型是确定的
  
• Nparray在科学计算方面性能远高于List, 可以省掉许多循环语句
• Nparray支持并行化运算，底层采用C语言编写，接触了Python解释器的性能限制，所以效率远高于纯Python代码

Numpy和Tensor比较

Numpy和Tensor相比较，他们的区别主要有以下两点

• Tensor 和 Numpy都是矩阵，区别是前者可以在GPU上运行，后者只能在CPU上；
• Tensor可以直接通过print显示数据类型，而Numpy不可以

需要注意的是，Tensor内部的数据类型为ndarray，而当运行在GPU上时，GPU不具有更改元素值的能力，所以Tensor内部元素的数值不可改变

总结

持续更新和完善中，欢迎大佬指正