pytorch tensor类型转换中的深坑

最新推荐文章于 2025-01-14 01:21:01 发布
最新推荐文章于 2025-01-14 01:21:01 发布
阅读量439 收藏
点赞数
分类专栏： python 文章标签： python pytorch 人工智能 tensor
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_44785351/article/details/119651025
版权
在使用PyTorch时，作者遇到了一个整型Tensor自动转换为浮点型的问题。原因是torch.Tensor()构造函数默认创建浮点型Tensor，而torch.tensor()则保留输入元素的类型。此外，文章还提及了如何通过指定dtype属性进行精确的类型转换，例如dtype=torch.int32。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

pytorch tensor类型转换中的深坑


今天在写代码时遇到了一个奇怪的问题，当我定义一个全部为整型的tensor变量，我发现其中的元素会自动转换成浮点型：
在这里插入图片描述
找了很久原因才发现是方法名有着极微的差别：
torch.Tensor()是用来定义浮点型tensor类型的，也就是说不管你里面元素填的什么类型，最终都会变成浮点型
而torch.tensor() 注意是小写t，才是用来定义tensor类型变量的，你里面写什么类型的元素他就是什么类型的
在这里插入图片描述
在这里插入图片描述

另外记录一下tensor的类型转化方法：dtype=troch.int32
在这里插入图片描述

PyTorch强化学习实战（1）——强化学习环境配置与PyTorch基础
盼小辉丶的博客
05-29 15万+
工欲善其事，必先利其器。为了更专注于学习强化学习的思想，而不必关注其底层的计算细节，我们首先搭建相关强化学习环境，包括 PyTorch 和 Gym，其中 PyTorch 是我们将要使用的主要深度学习框架，Gym 则提供了用于各种强化学习模拟和任务的环境。除此之外，本文还介绍了一些 PyTorch 的基础知识，以及 Gym 环境的使用方法，为之后的强化学习实战奠定基础。
PyTorch深度学习实战（2）——PyTorch基础
热门推荐
盼小辉丶的博客
06-04 5万+
PyTorch 是广泛应用于机器学习领域中的强大开源框架，因其易用性和高效性备受青睐。在本节中，将介绍使用 PyTorch 构建神经网络的基础知识。首先了解 PyTorch 的核心数据类型——张量对象。然后，我们将深入研究用于张量对象的各种操作。PyTorch 提供了许多帮助构建神经网络的高级方法及组件，并提供了利用 GPU 更快地训练神经网络的张量对象。
tensor数据类型转换_Pytorch中Tensor的类型转换
weixin_39725873的博客
12-20 429
Pytorch中的Tensor常用的类型转换函数(inplace操作)：(1)数据类型转换在Tensor后加 .long(), .int(), .float(), .double()等即可，也可以用.to()函数进行转换，所有的Tensor类型可参考https://pytorch.org/docs/stable/tensors.html(2)数据存储位置转换CPU张量 ----> GPU张量...
torch.tensor GPU调用出错记录
xiaoliuhhh的博客
02-11 381
测试能否在一块GPU上生成tensor后移动到指定gpu上，按照某些博客上面操作后来出错，原来是指定可见GPU时只写了一块。
PyTorch numpy和tensor互相转换
weixin_40378209的博客
11-28 631
PyTorch numpy和tensor互相转换
torch与numpy转换内存上的小坑
weixin_42092516的博客
02-22 560
pytorch 的数据转换上的小坑
Pytorch基础操作 —— 4. 创建 Tensor 的一般方法
老程的技术笔记
10-08 4298
文章目录基础操作 —— Tensor 的创建创建tensor时常用到的一些参数说明创建空的张量 torch.empty(...)例程创建随机数值的张量 torch.rand(...)参数说明例程创建全0的张量 torch.zeros(...)例程创建全1的张量 torch.ones(...)例程 基础操作 —— Tensor 的创建 首先，在某些情况下，我们需要创建一些tensor，以下函数名很多包含相同的参数名，我在这里统一的罗列出来，方便查找。 创建tensor时常用到的一些参数说明 size 定义输出
pytorch模型训练流程中遇到的一些坑(持续更新)
baidu_41902768的博客
12-29 1万+
要训练一个模型，主要分成几个部分，如下。 数据预处理 入门的话肯定是拿 MNIST 手写数据集先练习。pytorch 中有帮助我们制作数据生成器的模块，其中有 Dataset、TensorDataset、DataLoader 等类可以来创建数据入口。之前在 tensorflow 中可以用 dataset.from_generator() 的形式，pytorch ...
Linux用户必看：PyTorch安装全攻略，避开所有坑与陷阱（实战专家指南）
[Linux用户必看：PyTorch安装全攻略，避开所有坑与陷阱（实战专家指南）](https://media.geeksforgeeks.org/wp-content/uploads/20210501191602/Screenshotfrom20210501190023.jpg) # 摘要 随着深度学习的广泛应用...
PyTorch DAY1: 基础语法
feifeikon的博客
01-14 1128
我们都知道，张量 Tensor 在深度学习中充当着空气的角色，神经网络结构中的每一次输入和输出其实就是针对张量的计算过程。所以，PyTorch 最核心的组件也就是张量计算组件。PyTorch 张量的最大特点之一是兼容 NumPy 数组，且具备强大的 GPU 加速支持。所以，如果你对 NumPy 较为熟悉，那么入门就会简单很多。下面，我们就来学习如何在 PyTorch 中去定义张量，并对其进行运算。首先，介绍 PyTorch 中支持的 Tensor 类型。
像素统计闭坑tensor转list会有值的损失，要用np进行统计计算才不会出错
xjw0645的博客
03-05 766
今天在进行划分数据的像素值的统计的时候，发现各类像素值总和不等于应该的图片数量长宽 于是从一下几方面进行错误排除，最后发现是统计计算的工具出错了，torch的tensor相加最后转换成list会有问题： 检查图片由彩色转灰度是否正确：排除掉potsdam数据集错误的影响，确保像素值都在【0，5】 检查裁剪厚度图片是否正确：据统计，裁剪后的像素值范围正常，且数量对得上。 最后锁定，实在进行数据集的像素数量叠加的步骤出错，反复检查了1小时左右，确保公式和计算过程没有错误，之能是采取的计算方式有误 使用将li
python卷积运行出错
m0_66082482的博客
02-11 656
这是因为啥啊？系统没报错但是无法运行
创建浮点型tensor的小窍门
frank_haha的博客
03-29 1014
浮点型tensor在torch框架里很重要，因为凡是能求梯度的变量必须是浮点型tensor 众所周知，pytorch里有两种基本的数据类型，tensor和variable 建立一个tensor可以为： a = torch.tensor([2,3]) 但如果仅仅是这样的话，a只是一个tensor，不是一个变量 想要将a变成变量需要在原创建语句里加上： a = torch.tensor([2, 3], requires_grad=True) 但是这样会报错，因为a的data是整型，无法求导，因此需要将a变成浮点
libtorch1.7 函数传出tensor发现值变化了
无左无右的博客
05-24 543
这是一个奇怪的问题！ torch::Tensor pre_img(const cv::Mat &img, std::vector<float>v_mean, std::vector<float>v_std, int standard_h) { cv::Mat m_resize, m_stand; if(1 == img.channels()) { ...
Tensorflow中将字符串tensor转换为普通的字符串以及遇到的坑
qq_15054345的博客
07-01 5288
最近遇到个需求,在使用tensoflow.data.Dataset加载dicom文件时，需要先根据文件名字划分训练集和测试集，然后再使用map函数分别将训练集和测试集逐一加载进tensorflow，其中踩了很多坑。 大体思路是使用tensor实例的numpy()函数将tensor转化为numpy数组，这个时候得到的是byte类型法的东西，再使用str函数得到字符串，但是这个字符串相比于真实字符串又会在开头和结尾多一些东西，使用[start:end]这个slice操作就可以截取出原始字符串，真正的坑在下面。
Tensorflow函数映射：py_func和map_fn
皮皮blog
07-04 5073
tf.map_fn [tf.map_fn]：map on the list of tensors unpacked from elems on dimension 0. 接受一个函数对象，然后用该函数对象对集合（elems）中的每一个元素分别处理， tf.map_fn( fn, elems, dtype=None, parallel_iterations=Non...
PyTorch基础：Tensor数据类型与类型转换
weixin_42782833的博客
06-18 1436
基本数据：Tensor Tensor，即张量，是PyTorch中的基本操作对象，可以看做是包含单一数据类型元素的多维矩阵。 Tensor数据类型 7种CPU Tensor类型 8种GPU Tensor类型，在使用时可以根据网络模型所需的精度与显存容量，合理地选取。16位半精度浮点是专为GPU上运行的模型设计的，以尽可能地节省GPU显存占用，但这种节省显存的方式也缩小了所能表达数据的大小。PyTorch中默认的数据类型是torch.FloatTensor，即torch.Tensor等同于torch.Float
【Pytorch学习笔记】6.关于Tensor、Module内参数的dtype类型转换
takedachia的博客
05-12 8976
【Pytorch学习笔记】6.关于Tensor的dtype类型转换、Module（模型）参数的统一dtype类型转换
torch中tensor数据类型的转换
m0_46345373的博客
03-25 3765
转换为float32类型： points = points.type(torch.float32)
蝶形图是利用 Bx 数据为横坐标，Bz 数据为纵坐标，由 Bx 和 Bz 的变化趋势形成蝴 蝶一样的图案。蝶形图包含了裂纹响应信号 Bx 和 Bz 的所有特征，特征明显，容易被操 作人员识别。通常情况下操作人员依据个人经验通过看到蝶形图来判定缺陷的存在。 但是在水下环境中实施无损检测作业，受结构表面附着物影响，无论人员还是水下 机器人(ROV)操纵探头，不可避免地造成探头晃动，很容易产生各类干扰信号，为缺陷特征信号的判定带来巨大挑战。利用本章 4.1 节特征信号增强算法提高缺陷响应幅值， 利用阈值实现缺陷的初步判定，在此基础上，启动智能识别算法，对提离扰动和缺陷特 征信号蝶形图进行识别，达到智能识别的目的。本节建立水下 ACFM 缺陷特征信号与探头扰动特征信号蝶形图数据库，利用 CNN 对大量不同尺寸缺陷蝶形图和各种情况下的探头扰动干扰信号蝶形图训练和学习，并利 用训练好的 CNN 对样本进行预测。 利用单探头对实验室 200 组缺陷试块开展测试，提取不同缺陷的特征信号 Bx 和 Bz 并绘制蝶形图。在较大裂纹位置，特征信号蝶形 图呈现较为完整的蝶形或圆环状。在较小裂纹位置，缺陷响应信号 Bx 或 Bz 变化趋势不 规则，造成蝶形图呈现不封闭或不规则环形。 在没有缺陷位置，将探头大幅度提离试块表面 3-10 mm、探头侧倾、探头越过结构 凸起、探头越过结构表面深坑、探头横向摆动等动作，人为模拟各种干扰信号，形成 200 组探头扰动干扰信号蝶形图，如图 4-19 所示。探头大范围扰动蝶形图信号大多数为一 条窄的斜线或完全不规则线条，部分干扰信号蝶形图也形成圆环状。若仅依靠人员经验 对裂纹特征信号蝶形图和探头干扰信号蝶形图进行区分，很容易形成误判。 将上述 200 组缺陷特征信号蝶形图和 200 组探头干扰信号蝶形图均转换为像素为 28×28 的灰度图，分别放在不同的文件夹中。裂纹特征信号蝶形图文件夹命名为―defect‖， 干扰信号蝶形图命名为―lift-off‖，以文件夹标签作为样本的属性。 在 Matlab 中建立一个多层卷积神经网络，如图 4-20 所示。该卷积神经网络主要包 括贝叶斯函数、 输入层、卷积层、激活函数层、池化层、全连接层、Softmax 层和输出 层。卷积神经网络的结构、关键参数对于模型的训练和预测至关重要，同时网络的层深、 学习速率等参数众多且相互影响，参数的选取需要耗费大量时间。本文在卷积神经网络 学习之前加入贝叶斯优化函数，以样本测试错误率为目标函数，将神经网络层深、初始 学习率、梯度下降量和归一化强度参数作为贝叶斯函数的输入，对神经网络的结构和关 键参数优化，将优化结果赋值在训练好的卷积神经网络中。 本次 CNN 训练输入样本为像素为 28×28×1 的灰度图，激活函数选择 Relu，池化层 选择 max pooling，全连接层输出类别为 2，输出结果用标签形式显示在图片标题上，CNN 经过贝叶斯优化的层数为 7 层。卷积训练过程中，随机选取样本数据库中 190 组裂纹特 征信号蝶形图和 190 组干扰信号蝶形图作为训练样本，将剩余 20 组图片作为测试图片， 在 Matlab 中利用建立的 CNN 对样本库图像训练，CNN 训练过程如图 4-21 所示。 在训练过程用梯度下降法来求取代价函数(Loss function)极小值，梯度下降的迭代性 质能使欠拟合不断演化以获得数据的最佳拟合，每次迭代估计梯度数值并更新训练参数， 多次使用算法获取结果，以得到最优化结果。刚开始训练，精度函数(Accuracy function) 增幅较快，学习率较高，随着迭代次数的增加，学习率变得稳定。训练过程中 Loss function 函数在减小，逐渐得到优化的权值和识别结果。 利用训练好的 CNN 对样本进行测试，结果如图 4-22 所示，前两排图片为缺陷特征 信号蝶形图，预测结果均正确，后两排图片为探头干扰特征信号蝶形图，其中一幅图预 测结果为缺陷，预测错误，本节建立的 CNN 对样本图片综合预测结果准确率为 95%。 测试结果表明，CNN 能够较好地区别缺陷特征信号和探头干扰信号，实现较高精度的 缺陷特征信号智能判定。 根据这段论文，能不能用pytorch复现一下代码，目前已经有训练集和测试集，分别包含裂纹特征信号蝶形图文件夹命名为―defect‖，和干扰信号蝶形图命名为―lift-off‖
最新发布
03-16
引用[3]提到PyTorch实现CNN分类模型，项目资源中有资料，可能需要指导用户如何利用这些资源。比如数据集的加载方式，可能需要根据提供的链接获取数据，但用户现在有自己的数据集，可能需要调整代码适配。 可能的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值