Pytorch基础——数据类型

基本数据类型

Pytorch提供了两种类型的数据抽象，成为张量和变量。张量类似于numpu中的数组，也可在GPU上使用，并能够改善性能。在PyTorch中，数据抽象提供了GPU和CPU的简易切换。

1.标量（0维张量）

包含一个元素的张量称为标量。定义方式如下：

a = torch.tensor(2.3)
类型进行检查
a.size() #对类型进行检查
Output：torch.Size([])
a.shape  #Type check
Output：torch.Size([])

2.向量（1维张量）

向量是一个元素序列的数组。定义方式如下：

b = torch.tensor([1,2])
c= torch.FloatTensor([1,3,5,8])
print(b)
print(c)
Output：tensor([1, 2])
		tensor([1., 3., 5., 8.])
data = np.ones(2)
torch.from_numpy(data) #从Numpy引入
Output：
tensor([1., 1.], dtype=torch.float64)

3.矩阵（2维向量）

大多数结构化数据都可以表示成表或矩阵。定义方式如下：

d = torch.FloatTensor([[1,2,3],
                       [4,5,6]])
print(d)
Output：
tensor([[1., 2., 3.],
        [4., 5., 6.]])
#Type check
d.size()
d.shape
Output：
	torch.Size([2, 3])

4.三维向量

把多个矩阵累加到一起时，就得到了一个三维张量，可以用来表示类似图象这样的数据。

e = torch.FloatTensor([[[1,2,3],
                       [4,5,6]]])
print(e)
Output：
tensor([[[1., 2., 3.],
         [4., 5., 6.]]])
	

5.四维向量

4维张量类型的一个常见例子是批图象。

f = torch.rand(1,3,28,28)

其他操作

f.numel 表示Tensor占用内存的数量———Number of Element
f.dim() 查看维度
f = f.cuda(）CPU GPU数据转换

有待完善。。。。