Tensor 属性¶

每个 torch.Tensor 都有一个 torch.dtype、torch.device 和 torch.layout。

torch.dtype¶

class torch.dtype¶

torch.dtype 是一个对象，表示 torch.Tensor 的数据类型。PyTorch 有十二种不同的数据类型

数据类型	dtype	旧版构造函数
32 位浮点	`torch.float32` 或 `torch.float`	`torch.*.FloatTensor`
64 位浮点	`torch.float64` 或 `torch.double`	`torch.*.DoubleTensor`
64 位复数	`torch.complex64` 或 `torch.cfloat`
128 位复数	`torch.complex128` 或 `torch.cdouble`
16 位浮点 1	`torch.float16` 或 `torch.half`	`torch.*.HalfTensor`
16 位浮点 2	`torch.bfloat16`	`torch.*.BFloat16Tensor`
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`
布尔值	`torch.bool`	`torch.*.BoolTensor`

1: 有时称为 binary16：使用 1 个符号位、5 个指数位和 10 个尾数位。当精度很重要时很有用。
2: 有时称为脑浮点：使用 1 个符号位、8 个指数位和 7 个尾数位。当范围很重要时很有用，因为它具有与 float32 相同的指数位数

要了解 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类型，则返回 True。

要了解 torch.dtype 是否为复数数据类型，可以使用属性 is_complex，如果数据类型为复数数据类型，则返回 True。

当算术运算（add、sub、div、mul）的输入 dtype 不同时，我们通过查找满足以下规则的最小 dtype 来进行提升

如果标量操作数的类型高于张量操作数的类别（其中复数 > 浮点 > 整数 > 布尔值），我们会提升到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有维度操作数，我们会提升到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，我们会提升到具有足够大小和类别的类型，以容纳所有有维度操作数。

浮点标量操作数的 dtype 为 torch.get_default_dtype()，而整数非布尔标量操作数的 dtype 为 torch.int64。与 numpy 不同，我们在确定操作数的最小 dtypes 时不会检查值。尚不支持量化和复数类型。

提升示例

>>> float_tensor = torch.ones(1, dtype=torch.float)
>>> double_tensor = torch.ones(1, dtype=torch.double)
>>> complex_float_tensor = torch.ones(1, dtype=torch.complex64)
>>> complex_double_tensor = torch.ones(1, dtype=torch.complex128)
>>> int_tensor = torch.ones(1, dtype=torch.int)
>>> long_tensor = torch.ones(1, dtype=torch.long)
>>> uint_tensor = torch.ones(1, dtype=torch.uint8)
>>> 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
>>> (complex_float_tensor + complex_double_tensor).dtype
torch.complex128
>>> (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

当指定算术运算的输出张量时，我们允许强制转换为其 dtype，但以下情况除外

整数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。
非复数输出张量不能接受复数张量

强制转换示例

# allowed:
>>> float_tensor *= float_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
>>> float_tensor *= complex_float_tensor

torch.device¶

class torch.device¶

torch.device 是一个对象，表示 torch.Tensor 所在或将要分配到的设备。

torch.device 包含设备类型（最常见的是“cpu”或“cuda”，但也可能是 “mps”、“xpu”、“xla” 或 “meta”）以及设备类型的可选设备序号。如果设备序号不存在，则此对象将始终表示设备类型的当前设备，即使在调用 torch.cuda.set_device() 之后也是如此；例如，使用设备 '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。

可以通过字符串或字符串和设备序号构造 torch.device

通过字符串

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

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

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

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

通过字符串和设备序号

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

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

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

设备对象也可以用作上下文管理器，以更改张量分配到的默认设备

>>> with torch.device('cuda:1'):
...     r = torch.randn(2, 3)
>>> r.device
device(type='cuda', index=1)

如果工厂函数传递了显式的非 None 设备参数，则此上下文管理器不起作用。要全局更改默认设备，另请参阅 torch.set_default_device()。

警告

此函数对每次 Python 调用 torch API（不仅仅是工厂函数）都会带来轻微的性能成本。如果这给您带来了问题，请在 https://github.com/pytorch/pytorch/issues/92701 上评论

注意

函数中的 torch.device 参数通常可以用字符串代替。这允许快速原型化代码。

>>> # 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')

注意

由于历史原因，可以通过单个设备序号构造设备，该序号被视为当前的加速器类型。这与 Tensor.get_device() 匹配，后者为设备张量返回序号，并且不支持 CPU 张量。

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

注意

采用设备的 Methods 通常会接受（格式正确的）字符串或（旧版）整数设备序号，即以下所有内容都是等效的

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

注意

张量永远不会在设备之间自动移动，并且需要用户显式调用。标量张量（tensor.dim()==0）是此规则的唯一例外，并且它们会在需要时自动从 CPU 传输到 GPU，因为此操作可以“免费”完成。示例

>>> # two scalars
>>> torch.ones(()) + torch.ones(()).cuda()  # OK, scalar auto-transferred from CPU to GPU
>>> torch.ones(()).cuda() + torch.ones(())  # OK, scalar auto-transferred from CPU to GPU

>>> # one scalar (CPU), one vector (GPU)
>>> torch.ones(()) + torch.ones(1).cuda()  # OK, scalar auto-transferred from CPU to GPU
>>> torch.ones(1).cuda() + torch.ones(())  # OK, scalar auto-transferred from CPU to GPU

>>> # one scalar (GPU), one vector (CPU)
>>> torch.ones(()).cuda() + torch.ones(1)  # Fail, scalar not auto-transferred from GPU to CPU and non-scalar not auto-transferred from CPU to GPU
>>> torch.ones(1) + torch.ones(()).cuda()  # Fail, scalar not auto-transferred from GPU to CPU and non-scalar not auto-transferred from CPU to GPU

torch.layout¶

class torch.layout¶

警告

torch.layout 类处于 beta 阶段，可能会发生更改。

torch.layout 是一个对象，表示 torch.Tensor 的内存布局。目前，我们支持 torch.strided（密集张量），并对 torch.sparse_coo（稀疏 COO 张量）提供 beta 支持。

torch.strided 表示密集张量，并且是最常用的内存布局。每个步幅张量都有一个关联的 torch.Storage，其中保存其数据。这些张量提供存储的多维步幅视图。步幅是整数列表：第 k 个步幅表示从张量的第 k 个维度中的一个元素移动到下一个元素所需的内存跳跃。此概念使有效执行许多张量运算成为可能。

示例

>>> 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，请参阅 torch.sparse。

torch.memory_format¶

class torch.memory_format¶

torch.memory_format 是一个对象，表示 torch.Tensor 所在或将要分配到的内存格式。

可能的值为

torch.contiguous_format：张量在密集非重叠内存中分配或将要分配。步幅由递减顺序的值表示。
torch.channels_last：张量在密集非重叠内存中分配或将要分配。步幅由 strides[0] > strides[2] > strides[3] > strides[1] == 1 aka NHWC 顺序的值表示。
torch.channels_last_3d：张量在密集非重叠内存中分配或将要分配。步幅由 strides[0] > strides[2] > strides[3] > strides[4] > strides[1] == 1 aka NDHWC 顺序的值表示。
torch.preserve_format：在 clone 等函数中使用，以保留输入张量的内存格式。如果输入张量在密集非重叠内存中分配，则输出张量步幅将从输入复制。否则，输出步幅将遵循 torch.contiguous_format