特定數據類型的tensor可以被構造，通過 torch.dtype和/或torch.device，對于構造函數或張量創建操作。

>>> cuda0 = torch.device('cuda:0') >>> torch.ones([2, 4], dtype=torch.float64, device=cuda0) tensor([[ 1.0000, 1.0000, 1.0000, 1.0000],[ 1.0000, 1.0000, 1.0000, 1.0000]], dtype=torch.float64, device='cuda:0')

可以使用Python的索引和切片表示法訪問和修改tensor的內容：

import torch y=torch.tensor([[1,2],[3,4]]) print(y) print(y[1,:]) print(y[:,0]) print(y[:,1]) tensor([[1, 2],[3, 4]]) tensor([3, 4]) tensor([1, 3]) tensor([2, 4])

使用 torch.Tensor.item() 從包含單個值的張量中獲取Python數，請執行以下操作：

import torch y=torch.tensor([[1,2],[3,4]]) print(y)print(y[1,1].item()) tensor([[1, 2],[3, 4]]) 4

可以使用requires_grad=True創建張量，以便torch.autograd記錄對它們的操作以進行自動區分。

import torch x = torch.tensor([[1., 2.], [3., 4.]], requires_grad=True) out = x.pow(2).sum() out.backward() print(x.grad) tensor([[2., 4.],[6., 8.]])

每個 tensor 都有一個相關的 torch.Storage,，它保存數據。tensor類還提供了存儲的多維、跨視圖，并定義了對存儲的數字操作。
改變tensor的方法用下劃線后綴標記。例如，torch.FloatTensor.abs_()就地計算絕對值并返回修改后的張量，而torch.FloatTensor.abs_()以新的tensor張量計算結果。

改變現有的張量 torch.device 和/或torch.dtype，考慮對張量使用to（）方法。

當前執行的 torch.Tensor 引入內存開銷，因此在具有許多小張量tensor的應用程序中可能會導致意外的高內存使用率

總結

以上是生活随笔為你收集整理的PyTorch随笔-3的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。