pytorch张量数据类型

python常用数据类型在pytorch中的对应

pytorch不是一个完备的语言库，而是一个面向数据计算的GPU加速库，对str字符类型没有直接支持的对应数据类型。

在免不了要处理str的情况下，那要如何表达str呢
	1、One-hot
		[0,1,0,0,...]
		如表达猫狗两类别
	2、Embedding（NLP):
		Word2vec
		glove
1
2
3
4
5
6
7

torch常用内置数据类型

数据类型推断

a为二维tensor数据，随机初始化两行三列数据
a.type() 返回一个字符串告诉a，其tensor的类型
type(a) 返回a的数据类型
isinstance(a,某tensor数据类型) 参数合法化检验，如果a跟该tensor数据类型一致，返回True
1
2
3
4

注：CPU和GPU的tensor不是同一类型，可以使用.cuda()，a.cuda()可以返回一个gpu上的引用

标量

标量是最简单的数据类型，dim为0
在python中直接表示为1.0、1.3，pytorch中的表示为：

torch.tensor(1.)
torch.tensor(1.3)
注：1.3是0维，但[1.3]是一维，长度为1的tensor
1
2
3

标量的shape：

a = torch.tensor(2.2)
a.shape 或者 a.size()
# 因为a是一个标量，会返回一个空的list类型的size
len(a.shape) 或者用 a.dim()
# 结果都会返回0的大小
1
2
3
4
5

向量

在torch中都统一称为张量

dim = 1时

torch.tensor([x1,x2,...])
#dim=1，张量长度可以为1，2，。。。

torch.FloatTensor(n)
#随机生成长度为n的一维张量

也可以从numpy引入
先通过numpy方法生成长度为n的向量
data = np.ones(n)
再使用 torch.from_numpy(data)引入
# 或者直接 torch.ones(2)
1
2
3
4
5
6
7
8
9
10
11

注： 主要用在 1、Bias，2、batch为1，dim为1.图片打平后的线性输入。

dim = 2时

随机初始化一个两行三列张量a
a = torch.randn(2,3)

a的尺寸：
a.shape
a.size()

具体看某一维度大小
a.shape[0] / a.shape[1]
a.size(0) / a.size(1)
1
2
3
4
5
6
7
8
9
10

dim = 3时

三维使用场景比较广泛，如 RNN语言处理
假如有5句话，每句话10个单词，batch设置每次处理8个单词
则输入为[8，5，10]

a = torch.rand(1,2,3)
# 生成三维张量
a.shape
a.[0] # ->(2,3)
list(a.shape)
#将a的尺寸格式转化为python通用列表
1
2
3
4
5
6

dim = 4时

较广泛适用于图片数据处理，如CNN：[b, c, h, w]

a.dim()查询维度为4
a.numel()
#a占有内存的数量，2328*28