Pytorch創(chuàng)建張量的四種方法

更新時間：2023年05月16日 09:04:02 作者：ting_qifengl

Pytorch創(chuàng)建張量的4種方法主要有：torch.Tensor()、torch.tensor()、torch.as_tensor()、torch.from_numpy()，本文通過實(shí)例代碼介紹Pytorch創(chuàng)建張量的四種方法,需要的朋友可以參考下

一、Pytorch創(chuàng)建張量的4種方法

Pytorch創(chuàng)建張量的4種方法主要有：torch.Tensor()、torch.tensor()、torch.as_tensor()、torch.from_numpy()。具體使用方法如下方代碼。其中torch.Tensor()是類構(gòu)造函數(shù)，其余三種為工廠函數(shù)。工廠函數(shù)是指接受參數(shù)輸入并返回特定類型對象的函數(shù)，其允許更多的動態(tài)對象創(chuàng)建，有更多的配置參數(shù)。通常情況下更傾向于選擇工廠函數(shù)。

import torch
import numpy as np
t = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(torch.Tensor(t))  # 類構(gòu)造函數(shù)
print(torch.tensor(t))  # 工廠函數(shù)
print(torch.as_tensor(t))  # 工廠函數(shù)
print(torch.from_numpy(t))  # 工廠函數(shù)

輸出結(jié)果如下：

tensor([[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]])
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]], dtype=torch.int32)
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]], dtype=torch.int32)
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]], dtype=torch.int32)

二、4種方法的區(qū)別

1、數(shù)據(jù)類型

import torch
import numpy as np
data = np.array([1,2,3])
t1 = torch.Tensor(data)
print(t1)
print(t1.dtype)
t2 = torch.tensor(data)
print(t2)
print(t2.dtype)
t3 = torch.as_tensor(data)
print(t3)
print(t3.dtype)
t4 = torch.from_numpy(data)
print(t4)
print(t4.dtype)

輸出結(jié)果如下：

tensor([1., 2., 3.])
torch.float32
tensor([1, 2, 3], dtype=torch.int32)
torch.int32
tensor([1, 2, 3], dtype=torch.int32)
torch.int32
tensor([1, 2, 3], dtype=torch.int32)
torch.int32

可以看出，構(gòu)造函數(shù)torch.Tensor()輸出的數(shù)據(jù)類型與其它三種方法不同，其主要原因是：構(gòu)造函數(shù)在構(gòu)造一個張量時使用全局缺省值，而工廠函數(shù)通過輸入數(shù)據(jù)的類型來推斷輸出數(shù)據(jù)的類型。我們可以使用如下代碼查看全局缺省值的數(shù)據(jù)類型。

d = torch.get_default_dtype()
print(d)

輸出結(jié)果為：

torch.float32

所以，構(gòu)造函數(shù)torch.Tensor()輸出的數(shù)據(jù)類型為torch.float32。而工廠函數(shù)可以顯示指定數(shù)據(jù)類型，如下所示。

t = torch.tensor(np.array([1,2,3]), dtype=torch.float64)
print(t)

輸出結(jié)果為：

tensor([1., 2., 3.], dtype=torch.float64)

2、數(shù)據(jù)內(nèi)存分配方式

import torch
import numpy as np
data = np.array([1,2,3])
print(data)
t1 = torch.Tensor(data)
t2 = torch.tensor(data)
t3 = torch.as_tensor(data)
t4 = torch.from_numpy(data)
data[0] = 0
data[1] = 0
data[2] = 0
# t1 和 t2 輸出的都是更改前的數(shù)組
print(t1)
print(t2)
# t3 和 t4 輸出的都是更改后的數(shù)組
print(t3)
print(t4)

輸出結(jié)果為：

[1 2 3]
tensor([1., 2., 3.])
tensor([1, 2, 3], dtype=torch.int32)
tensor([0, 0, 0], dtype=torch.int32)
tensor([0, 0, 0], dtype=torch.int32)

上述差異是由創(chuàng)建時分配內(nèi)存的方式造成的：torch.Tensor()和torch.tensor()的方式是將數(shù)組中的元素值直接拷貝到張量中，改變data中的元素值并不會影響到t1和t2中的值；torch.as_tensor()和torch.from_numpy()的方式是與data數(shù)組共享數(shù)據(jù)。（可將t1和t2的方式看作"值傳遞"；t3和t4的方式看作“地址傳遞”）。數(shù)據(jù)共享比數(shù)據(jù)拷貝更高效，更節(jié)省內(nèi)存空間。