深度学习与PyTorch入门实战 - 06. 基本数据类型

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/dragen1860

摘要

文档介绍了PyTorch中的基本数据类型，重点讲解了Tensor的创建、维度、数据类型以及在GPU上的使用。通过示例展示了如何使用FloatTensor和IntTensor，并介绍了PyTorch支持的多种数据类型及其对应的CPU和GPU张量。文档还展示了如何通过type()函数和isinstance()方法检查Tensor的类型，并提供了数据类型转换的示例。

AI总结

### PyTorch 基本数据类型总结

1. **核心概念**
PyTorch 的核心是 **Tensor（张量）**，它是数据存储和计算的基本单位。PyTorch 的数据类型主要围绕 Tensor 展开。

2. **数据类型与转换**
- **Python 数据类型与 PyTorch 的对应关系**：
- Python 的整数（Int）对应 PyTorch 的 IntTensor。
- Python 的浮点数（Float）对应 PyTorch 的 FloatTensor。
- **数组与 PyTorch 的对应关系**：
- Python 的整数数组（Int array）对应 PyTorch 的 IntTensor。
- Python 的浮点数数组（Float array）对应 PyTorch 的 FloatTensor。
- **字符串处理**：PyTorch 通过 One-Hot 编码或 Embedding 方式处理字符串数据。

3. **张量维度与形状**
- **维度（Dimension）**：张量的维度决定了数据的结构。
- **Rank 0**：标量（0 维）。
- **Rank 1**：一维数组，如 `torch.tensor([1.1])` 或 `torch.tensor([1.1, 2.2])`。
- **形状（Shape）**：通过 `a.shape` 查看张量的形状，例如 `torch.Size([2])` 表示一维张量的长度为 2。

4. **数据类型**
PyTorch 支持多种数据类型，包括：
- **浮点数**：
- `torch.float32` 或 `torch.float`：32 位浮点数。
- `torch.float64` 或 `torch.double`：64 位浮点数。
- `torch.float16` 或 `torch.half`：16 位浮点数。
- **整数**：
- `torch.uint8`：8 位无符号整数。
- `torch.int8`：8 位有符号整数。
- `torch.int16` 或 `torch.short`：16 位有符号整数。
- `torch.int32` 或 `torch.int`：32 位有符号整数。
- `torch.int64` 或 `torch.long`：64 位有符号整数。

5. **数据类型检查与转换**
- 使用 `isinstance()` 检查张量类型，例如：

     isinstance(a, torch.FloatTensor)  # 检查是否为 FloatTensor
     isinstance(data, torch.cuda.DoubleTensor)  # 检查是否为 GPU 上的 DoubleTensor

- 使用 `type()` 查看张量类型，例如：

     a.type()  # 输出 'torch.FloatTensor'

6. **GPU 支持**
- PyTorch 支持 GPU 加速，通过 `.cuda()` 方法将数据移动到 GPU。
- GPU 上的张量类型包括 `torch.cuda.FloatTensor`、`torch.cuda.DoubleTensor` 等。

7. **总结**
PyTorch 的数据类型系统以 Tensor 为核心，支持多种数据类型和维度结构，适用于深度学习中的数据处理和计算。通过合理的数据类型选择和转换，可以提高计算效率和准确性。