溫馨提示×

溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

PyTorch中torch.tensor和torch.Tensor有什么區(qū)別

發(fā)布時間：2020-07-23 16:06:01 來源：億速云 閱讀：413 作者：小豬 欄目：開發(fā)技術(shù)

這篇文章主要為大家展示了PyTorch中torch.tensor和torch.Tensor有什么區(qū)別，內(nèi)容簡而易懂，希望大家可以學(xué)習(xí)一下，學(xué)習(xí)完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。

眾所周知，numpy作為Python中數(shù)據(jù)分析的專業(yè)第三方庫，比Python自帶的Math庫速度更快。同樣的，在PyTorch中，有一個類似于numpy的庫，稱為Tensor。Tensor自稱為神經(jīng)網(wǎng)絡(luò)界的numpy。

一、numpy和Tensor二者對比

對比項numpyTensor
相同點可以定義多維數(shù)組，進行切片、改變維度、數(shù)學(xué)運算等可以定義多維數(shù)組，進行切片、改變維度、數(shù)學(xué)運算等
不同點

1、產(chǎn)生的數(shù)組類型為numpy.ndarray；

2、會將ndarray放入CPU中進行運算；

3、導(dǎo)入方式為import numpy as np，后續(xù)通過np.array([1,2])建立數(shù)組；

4、numpy中沒有x.type()的用法，只能使用type(x)。

1、產(chǎn)生的數(shù)組類型為torch.Tensor；

2、會將tensor放入GPU中進行加速運算（如果有GPU）；

3、導(dǎo)入方式為import torch，后續(xù)通過torch.tensor([1,2])或torch.Tensor([1,2])建立數(shù)組；

4、Tensor中查看數(shù)組類型既可以使用type(x)，也可以使用x.type()。但是更加推薦采用x.type()，具體原因詳見下文。

 舉例（以下代碼均在Jupyter Notebook上運行且通過）：

numpy：

import numpy as np 
x = np.array([1,2]) 
#之所以這么寫，是為了告訴大家，在Jupyter Notebook中，是否帶有print()函數(shù)打印出來的效果是不一樣的~ 
x       #array([1, 2])
print(x)     #[1 2]
type(x)     #numpy.ndarray
print(type(x))   #<class 'numpy.ndarray'>
#注意：numpy中沒有x.type()的用法，只能使用type(x)?。?！

Tensor：

import torch    #注意，這里是import torch，不是import Tensor?。?！
x = torch.tensor([1,2])
x       #tensor([1, 2])
print(x)     #tensor([1, 2])，注意，這里與numpy就不一樣了!
 
type(x)     #torch.Tensor
print(type(x))    #<class 'torch.Tensor'>
x.type()     #'torch.LongTensor'，注意：numpy中不可以這么寫，會報錯！??！
print(x.type())   #torch.LongTensor，注意：numpy中不可以這么寫，會報錯?。?！

numpy與Tensor在使用上還有其他差別。由于不是本文的重點，故暫不詳述。后續(xù)可能會更新~    

二、torch.tensor與torch.Tensor的區(qū)別

        細(xì)心的讀者可能注意到了，通過Tensor建立數(shù)組有torch.tensor([1,2])或torch.Tensor([1,2])兩種方式。那么，這兩種方式有什么區(qū)別呢？

        （1）torch.tensor是從數(shù)據(jù)中推斷數(shù)據(jù)類型，而torch.Tensor是torch.empty(會隨機產(chǎn)生垃圾數(shù)組，詳見實例)和torch.tensor之間的一種混合。但是，當(dāng)傳入數(shù)據(jù)時，torch.Tensor使用全局默認(rèn)dtype(FloatTensor)；

        （2）torch.tensor(1)返回一個固定值1，而torch.Tensor(1)返回一個大小為1的張量，它是初始化的隨機值。

import torch    #注意，這里是import torch，不是import Tensor?。?！
 
x = torch.tensor([1,2])
 
x       #tensor([1, 2])
print(x)     #tensor([1, 2])，注意，這里與numpy就不一樣了!
type(x)     #torch.Tensor
print(type(x))    #<class 'torch.Tensor'>
x.type()     #'torch.LongTensor'，注意：numpy中不可以這么寫，會報錯！?。?
print(x.type())   #torch.LongTensor，注意：numpy中不可以這么寫，會報錯?。。?
 
y = torch.Tensor([1,2])
 
y       #tensor([1., 2.])，因為torch.Tensor使用全局默認(rèn)dtype(FloatTensor)
print(y)     #tensor([1., 2.])，因為torch.Tensor使用全局默認(rèn)dtype(FloatTensor)
type(y)     #torch.Tensor
print(type(y))    #<class 'torch.Tensor'>
y.type()     #'torch.FloatTensor'，注意：這里就與上面不一樣了！tensor->LongTensor，Tensor->FloatTensor！??！
print(y.type())   #torch.FloatTensor，注意：這里就與上面不一樣了！tensor->LongTensor，Tensor->FloatTensor！?。?
 
z = torch.empty([1,2]) 
 
z       #隨機運行兩次，結(jié)果不同：tensor([[0., 0.]]),tensor([[1.4013e-45, 0.0000e+00]])
print(z)     #隨機運行兩次，結(jié)果不同：tensor([[0., 0.]]),tensor([[1.4013e-45, 0.0000e+00]])
type(z)     #torch.Tensor
print(type(z))    #<class 'torch.Tensor'>
z.type()     #'torch.FloatTensor'，注意：empty()默認(rèn)為torch.FloatTensor而不是torch.LongTensor
print(z.type())   #torch.FloatTensor，注意：empty()默認(rèn)為torch.FloatTensor而不是torch.LongTensor
 
#torch.tensor(1)、torch.Tensor(1)和torch.empty(1)的對比：
t1 = torch.tensor(1)
t2 = torch.Tensor(1)
t3 = torch.empty(1)
 
t1       #tensor(1)
print(t1)     #tensor(1)
type(t1)     #torch.Tensor
print(type(t1))   #<class 'torch.Tensor'>
t1.type()     #'torch.LongTenso'
print(t1.type())   #torch.LongTensor
 
t2       #隨機運行兩次，結(jié)果不同：tensor([2.8026e-45]),tensor([0.])
print(t2)     #隨機運行兩次，結(jié)果不同：tensor([2.8026e-45]),tensor([0.])
type(t2)     #torch.Tensor
print(type(t2))   #<class 'torch.Tensor'>
t2.type()     #'torch.FloatTensor'
print(t2.type())   #torch.FloatTensor
 
t3       #隨機運行兩次，結(jié)果不同：tensor([0.]),tensor([1.4013e-45])
print(t3)     #隨機運行兩次，結(jié)果不同：tensor([0.]),tensor([1.4013e-45])
type(t3)     #torch.Tensor
print(type(t3))   #<class 'torch.Tensor'>
t3.type()     #'torch.FloatTensor'
print(t3.type())   #torch.FloatTensor

上文提到過，對于Tensor，更推薦采用x.type()來查看數(shù)據(jù)類型。是因為x.type()的輸出結(jié)果為'torch.LongTensor'或'torch.FloatTensor'，可以看出兩個數(shù)組的種類區(qū)別。而采用type(x)，則清一色的輸出結(jié)果都是torch.Tensor，無法體現(xiàn)類型區(qū)別。

PyTorch是個神奇的工具，其中的Tensor用法要遠(yuǎn)比numpy豐富。大家可以在練習(xí)中多多總結(jié)，逐漸提高~

以上就是關(guān)于PyTorch中torch.tensor和torch.Tensor有什么區(qū)別的內(nèi)容，如果你們有學(xué)習(xí)到知識或者技能，可以把它分享出去讓更多的人看到。

向AI問一下細(xì)節(jié)

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手