torch.Tensor.to

Tensor.to(*args, **kwargs) → Tensor

执行张量数据类型和/或设备转换。 torch.dtype 和 torch.device 从 self.to(*args, **kwargs) 的参数推断得出。

注意

如果 self 张量已经具有正确的 torch.dtype 和 torch.device，则返回 self。否则，返回的张量是 self 的副本，具有所需的 torch.dtype 和 torch.device。

以下是调用 to 的方法

to(dtype, non_blocking=False, copy=False, memory_format=torch.preserve_format) → Tensor

返回具有指定 dtype 的张量

参数

memory_format (torch.memory_format，可选)：返回的张量的所需内存格式。默认值：torch.preserve_format。

torch.to(device=None, dtype=None, non_blocking=False, copy=False, memory_format=torch.preserve_format) → Tensor

返回具有指定 device 和（可选）dtype 的张量。如果 dtype 为 None，则推断为 self.dtype。当 non_blocking 时，如果可能，尝试相对于主机异步转换，例如，将具有固定内存的 CPU 张量转换为 CUDA 张量。当设置 copy 时，即使张量已经匹配所需的转换，也会创建一个新的张量。

参数

memory_format (torch.memory_format，可选)：返回的张量的所需内存格式。默认值：torch.preserve_format。

torch.to(other, non_blocking=False, copy=False) → Tensor

返回一个与张量 other 具有相同 torch.dtype 和 torch.device 的张量。当 non_blocking 为 True 时，如果可能，尝试相对于主机异步转换，例如，将具有固定内存的 CPU 张量转换为 CUDA 张量。当设置了 copy 时，即使张量已经匹配所需的转换，也会创建一个新的张量。

示例

>>> tensor = torch.randn(2, 2)  # Initially dtype=float32, device=cpu
>>> tensor.to(torch.float64)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64)

>>> cuda0 = torch.device('cuda:0')
>>> tensor.to(cuda0)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], device='cuda:0')

>>> tensor.to(cuda0, dtype=torch.float64)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64, device='cuda:0')

>>> other = torch.randn((), dtype=torch.float64, device=cuda0)
>>> tensor.to(other, non_blocking=True)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64, device='cuda:0')