PyTorch入门：探索深度学习中的基本数据结构——张量

文章目录

• 1.PyTorch的基本数据类型–张量
• 2.数据类型的判断
• 3.不同维度的张量
• • （1）Dim 0（最简单的数据类型)
    • （2）Dim 1
    • （3）Dim 2
    • （4）Dim 3
    • （5）Dim 4
• 4.补充

1.PyTorch的基本数据类型–张量

Tensor的基本数据类型有五种：

（1）32位浮点型：torch.FloatTensor （注：pytorch.Tensor()默认的就是这种类型。）

（2）64位整型：torch.LongTensor

（3）32位整型：torch.IntTensor

（4）16位整型：torch.ShortTensor

（5）64位浮点型：torch.DoubleTensor

2.数据类型的判断

注意：
numpy和Tensor的最大区别就在于对GPU的支持上，Tensor可以通过调用cuda()函数将其转化为能在GPU上运行的类型，同一个Tensor部署在CPU和GPU上面的数据类型是不一样的。

3.不同维度的张量

（1）Dim 0（最简单的数据类型)

Dimension为0的张量，等价于一个标量，通常用于损失函数Loss

（2）Dim 1

Dimension为1的张量，等价于一个向量，通常用于模型的偏置Bias、神经网络的输入输出Linear Input/Output

注意：
.tensor()接收的是数据的内容，即数据本身；.FloatTensor()接收的是数据的shape

（3）Dim 2

Dimension为2的张量，等价于一个矩阵，常用于带批量大小的神经网络的输入输出，即[batch,linear_input]

（4）Dim 3

Dimension为3的张量，常用于RNN模型的输入信息，即[batch,num_word,word_embedding]

（5）Dim 4

Dim为4的张量，常用于CNN模型的输入信息，即[batch,channel,height,weight]，适合表达图片数据类型

4.补充