原文：PyTorch 张量属性

每个torch.Tensor具有 torch.dtype ， torch.device 和 torch.layout 。

torch类型

class torch.dtype¶

torch.dtype 是表示 torch.Tensor 的数据类型的对象。 PyTorch 具有九种不同的数据类型：

|

数据类型

|

dtype

|

张量类型

| | --- | --- | --- | | 32 位浮点 | torch.float32或torch.float | torch.*.FloatTensor | | 64 位浮点 | torch.float64或torch.double | torch.*.DoubleTensor | | 16 位浮点 | torch.float16或torch.half | torch.*.HalfTensor | | 8 位整数(无符号） | torch.uint8 | torch.*.ByteTensor | | 8 位整数(有符号） | torch.int8 | torch.*.CharTensor | | 16 位整数(有符号） | torch.int16或torch.short | torch.*.ShortTensor | | 32 位整数(有符号） | torch.int32或torch.int | torch.*.IntTensor | | 64 位整数(有符号） | torch.int64或torch.long | torch.*.LongTensor | | 布尔型 | torch.bool | torch.*.BoolTensor |

要确定 torch.dtype 是否为浮点数据类型，可以使用属性 is_floating_point ，如果数据类型为浮点数据，则返回True。 类型。

当算术运算的输入 dtypes(<cite>加</cite>，<cite>子</cite>， <cite>div</cite> ， <cite>mul</cite> )不同时，我们通过寻找最小值来促进 满足以下规则的 dtype：

• 如果标量操作数的类型比张量操作数(浮动>整数>布尔值）具有更高的类别，则我们将其提升为具有足够大小的类型，以容纳该类别的所有标量操作数。
• 如果零维张量操作数的类别高于维操作数的类别，我们将提升为具有足够大小和类别的类型，以容纳该类别的所有零维张量操作数。
• 如果没有更高类别的零维操作数，我们将提升为具有足够大小和类别的类型以容纳所有尺寸的操作数。

浮点标量操作数的 dtype 为 <cite>torch.get_default_dtype(）</cite>，整数非布尔标量操作数的 dtype 为 <cite>torch.int64</cite> 。 与 numpy 不同，在确定操作数的最小 <cite>dtypes</cite> 时，我们不检查值。 尚不支持量化和复杂类型。

促销示例：

>>> float_tensor = torch.ones(1, dtype=torch.float)
>>> double_tensor = torch.ones(1, dtype=torch.double)
>>> int_tensor = torch.ones(1, dtype=torch.int)
>>> long_tensor = torch.ones(1, dtype=torch.long)
>>> uint_tensor = torch.ones(1, dtype=torch.uint8)
>>> double_tensor = torch.ones(1, dtype=torch.double)
>>> bool_tensor = torch.ones(1, dtype=torch.bool)
## zero-dim tensors
>>> long_zerodim = torch.tensor(1, dtype=torch.long)
>>> int_zerodim = torch.tensor(1, dtype=torch.int)


>>> torch.add(5, 5).dtype
torch.int64
## 5 is an int64, but does not have higher category than int_tensor so is not considered.
>>> (int_tensor + 5).dtype
torch.int32
>>> (int_tensor + long_zerodim).dtype
torch.int32
>>> (long_tensor + int_tensor).dtype
torch.int64
>>> (bool_tensor + long_tensor).dtype
torch.int64
>>> (bool_tensor + uint_tensor).dtype
torch.uint8
>>> (float_tensor + double_tensor).dtype
torch.float64
>>> (bool_tensor + int_tensor).dtype
torch.int32
## Since long is a different kind than float, result dtype only needs to be large enough
## to hold the float.
>>> torch.add(long_tensor, float_tensor).dtype
torch.float32
When the output tensor of an arithmetic operation is specified, we allow casting to its dtype except that:

• 积分输出张量不能接受浮点张量。
• 布尔输出张量不能接受非布尔张量。

投放示例：

## allowed:
>>> float_tensor *= double_tensor
>>> float_tensor *= int_tensor
>>> float_tensor *= uint_tensor
>>> float_tensor *= bool_tensor
>>> float_tensor *= double_tensor
>>> int_tensor *= long_tensor
>>> int_tensor *= uint_tensor
>>> uint_tensor *= int_tensor


## disallowed (RuntimeError: result type can't be cast to the desired output type):
>>> int_tensor *= float_tensor
>>> bool_tensor *= int_tensor
>>> bool_tensor *= uint_tensor

torch设备

class torch.device¶

torch.device 是表示在其上或将要分配 torch.Tensor 的设备的对象。

torch.device 包含设备类型('cpu'或'cuda'）和该设备类型的可选设备序号。 如果不存在设备序号，则即使调用 torch.cuda.set_device() ，该对象也始终代表设备类型的当前设备。 例如，用设备'cuda'构造的 torch.Tensor 等效于'cuda:X'，其中 X 是 torch.cuda.current_device() 的结果。

可以通过 Tensor.device 属性访问 torch.Tensor 的设备。

torch.device 可以通过字符串或通过字符串和设备序号构造

通过字符串：

>>> torch.device('cuda:0')
device(type='cuda', index=0)


>>> torch.device('cpu')
device(type='cpu')


>>> torch.device('cuda')  # current cuda device
device(type='cuda')

通过字符串和设备序数：

>>> torch.device('cuda', 0)
device(type='cuda', index=0)


>>> torch.device('cpu', 0)
device(type='cpu', index=0)

注意

函数中的 torch.device 参数通常可以用字符串替换。 这样可以快速编写代码原型。

>>> # Example of a function that takes in a torch.device
>>> cuda1 = torch.device('cuda:1')
>>> torch.randn((2,3), device=cuda1)
>>> # You can substitute the torch.device with a string
>>> torch.randn((2,3), device='cuda:1')

Note

出于遗留原因，可以通过单个设备序号(被视为 cuda 设备）构造设备。 这与 Tensor.get_device() 匹配，后者为 cuda 张量返回序数，而 cpu 张量不支持此序数。

>>> torch.device(1)
device(type='cuda', index=1)

Note

使用设备的方法通常会接受(正确格式化的）字符串或(旧式）整数设备序数，即以下所有等效方法：

>>> torch.randn((2,3), device=torch.device('cuda:1'))
>>> torch.randn((2,3), device='cuda:1')
>>> torch.randn((2,3), device=1)  # legacy

torch布局

class torch.layout¶

torch.layout 是表示 torch.Tensor 的内存布局的对象。 目前，我们支持torch.strided(密集张量），并为torch.sparse_coo(稀疏 COO 张量）提供实验性支持。

torch.strided代表密集的张量，是最常用的内存布局。 每个跨步张量都有一个关联的torch.Storage，它保存其数据。 这些张量提供了存储的多维跨度视图。 步幅是一个整数列表：第 k 个步幅表示在张量的第 k 个维度中从一个元素到下一个元素所需的内存跳转。 这个概念使得有可能高效地执行许多张量运算。

例：

>>> x = torch.Tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> x.stride()
(5, 1)


>>> x.t().stride()
(1, 5)

有关torch.sparse_coo张量的更多信息，请参见 torch.sparse 。