小編給大家分享一下PyTorch基本數(shù)據(jù)類型有哪些，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！
1）Tensor(張量)
Pytorch里面處理的最基本的操作對象就是Tensor（張量），它表示的其實就是一個多維矩陣，并有矩陣相關(guān)的運算操作。在使用上和numpy是對應(yīng)的，它和numpy唯一的不同就是，pytorch可以在GPU上運行，而numpy不可以。所以，我們也可以使用Tensor來代替numpy的使用。當(dāng)然，二者也可以相互轉(zhuǎn)換。
Tensor的基本數(shù)據(jù)類型有五種：
32位浮點型：torch.FloatTensor。pyorch.Tensor()默認(rèn)的就是這種類型。
64位整型：torch.LongTensor。
32位整型：torch.IntTensor。
16位整型：torch.ShortTensor。
64位浮點型：torch.DoubleTensor。
那么如何定義Tensor張量呢？其實定義的方式和numpy一樣，直接傳入相應(yīng)的矩陣即可即可。下面就定義了一個三行兩列的矩陣：
import torch # 導(dǎo)包 a = torch.Tensor([[1, 2], [3, 4], [5, 6]]) print(a)
不過在項目之中，更多的做法是以特殊值或者隨機(jī)值初始化一個矩陣，就像下面這樣：
import torch # 定義一個3行2列的全為0的矩陣 b = torch.zeros((3, 2)) # 定義一個3行2列的隨機(jī)值矩陣 c = torch.randn((3, 2)) # 定義一個3行2列全為1的矩陣 d = torch.ones((3, 2)) print(b) print(c) print(d)
Tensor和numpy.ndarray之間還可以相互轉(zhuǎn)換，其方式如下：
Numpy轉(zhuǎn)化為Tensor：torch.from_numpy(numpy矩陣)
Tensor轉(zhuǎn)化為numpy：Tensor矩陣.numpy()
范例如下：
import torch import numpy as np # 定義一個3行2列的全為0的矩陣 b = torch.randn((3, 2)) # tensor轉(zhuǎn)化為numpy numpy_b = b.numpy() print(numpy_b) # numpy轉(zhuǎn)化為tensor numpy_e = np.array([[1, 2], [3, 4], [5, 6]]) torch_e = torch.from_numpy(numpy_e) print(numpy_e) print(torch_e)
之前說過，numpy與Tensor大的區(qū)別就是在對GPU的支持上。Tensor只需要調(diào)用cuda()函數(shù)就可以將其轉(zhuǎn)化為能在GPU上運行的類型。
我們可以通過torch.cuda.is_available()函數(shù)來判斷當(dāng)前的環(huán)境是否支持GPU，如果支持，則返回True。所以，為保險起見，在項目代碼中一般采取“先判斷，后使用”的策略來保證代碼的正常運行，其基本結(jié)構(gòu)如下：
import torch # 定義一個3行2列的全為0的矩陣 tmp = torch.randn((3, 2)) # 如果支持GPU，則定義為GPU類型 if torch.cuda.is_available(): inputs = tmp.cuda() # 否則，定義為一般的Tensor類型 else: inputs = tmp
2）Variable(變量)
Pytorch里面的Variable類型數(shù)據(jù)功能更加強(qiáng)大，相當(dāng)于是在Tensor外層套了一個殼子，這個殼子賦予了前向傳播，反向傳播，自動求導(dǎo)等功能，在計算圖的構(gòu)建中起的很重要的作用。Variable的結(jié)構(gòu)圖如下：
其中最重要的兩個屬性是：data和grad。Data表示該變量保存的實際數(shù)據(jù)，通過該屬性可以訪問到它所保存的原始張量類型，而關(guān)于該 variable（變量）的梯度會被累計到.grad 上去。
在使用Variable的時候需要從torch.autograd中導(dǎo)入。下面通過一個例子來看一下它自動求導(dǎo)的過程：
import torch from torch.autograd import Variable # 定義三個Variable變量 x = Variable(torch.Tensor([1, 2, 3]), requires_grad=True) w = Variable(torch.Tensor([2, 3, 4]), requires_grad=True) b = Variable(torch.Tensor([3, 4, 5]), requires_grad=True) # 構(gòu)建計算圖，公式為：y = w * x^2 + b y = w * x * x + b # 自動求導(dǎo)，計算梯度 y.backward(torch.Tensor([1, 1, 1])) print(x.grad) print(w.grad) print(b.grad)
上述代碼的計算圖為y = w * x^2 + b。對x, w, b分別求偏導(dǎo)為：x.grad = 2wx，w.grad=x^2，b.grad=1。代值檢驗可得計算結(jié)果是正確的。
以上是“PyTorch基本數(shù)據(jù)類型有哪些”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司行業(yè)資訊頻道！
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
重慶分公司
重慶分公司
