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

文档主要介绍了PyTorch中的基本数据类型，重点讲解了Tensor的概念及其相关操作。包括了Tensor的创建方法、数据类型的转换、与numpy数组的互操作性等内容。通过代码示例展示了如何使用torch.tensor()、torch.from_numpy()等函数创建Tensor，以及如何检查Tensor的形状、类型和设备信息。

AI总结

以下是文档《深度学习与PyTorch入门实战 - 06. 基本数据类型》的总结：

---

### PyTorch基本数据类型

PyTorch的核心数据类型是`Tensor`，类似于NumPy数组，但PyTorch Tensor可以在GPU上运行，加速计算。

#### 1. **Tensor的创建**
- **直接创建**：可以通过`torch.tensor()`创建张量，例如：

  a = torch.tensor(1)  # 创建一个标量张量
  a = torch.tensor([1.1, 2.2])  # 创建一个一维张量

- **使用函数创建**：PyTorch提供了多种函数来快速创建张量，例如：
- `torch.ones()`: 创建全为1的张量。
- `torch.randn()`: 创建随机数张量。
- `torch.zeros()`: 创建全为0的张量。

- **从NumPy数组转换**：可以通过`torch.from_numpy()`将NumPy数组转换为张量，例如：

  import numpy as np
  data = np.ones(2)
  tensor_data = torch.from_numpy(data)

#### 2. **Tensor的属性**
- **形状（Shape）**：通过`a.shape`获取张量的形状。

  a = torch.randn(2, 3)
  a.shape  # 输出：torch.Size([2, 3])

- **大小（Size）**：通过`a.size()`获取张量的大小。
- **维度（Dimension）**：通过`a.dim()`获取张量的维度。

  a = torch.tensor([1, 2, 3])
  a.dim()  # 输出：1（一维张量）

#### 3. **Tensor的类型**
- 张量的数据类型由其初始化值决定，例如：
- 整数初始化为`IntTensor`。
- 浮点数初始化为`FloatTensor`。
- 可以通过`a.type()`获取张量的类型。
- 可以通过`isinstance(a, torch.FloatTensor)`检查张量的类型。

#### 4. **张量的移动与类型转换**
- 张量可以通过`.cuda()`移动到GPU上，例如：

  data = torch.randn(2, 2)
  data = data.cuda()
  isinstance(data, torch.cuda.DoubleTensor)  # 输出：True

#### 5. **Tensor与NumPy数组的互操作**
- 张量可以通过`.numpy()`转换为NumPy数组。
- NumPy数组可以通过`torch.from_numpy()`转换为张量。

---

本文档主要介绍了PyTorch中`Tensor`的基本知识，包括创建、属性和类型转换，旨在帮助读者理解PyTorch的核心数据类型及其操作方法。