一、Numpy
numpy生成的数组一般具有以下维度:
一个数字---标量
一维数组---向量
二维数组---矩阵
三维及以上数组----张量
对于三维及以上的数组,如何理解高维对我来说是一个问题。有些资料比如:吴茂贵老师的《Python深度学习-基于PyTorch》第2版中将三维数组比成多组二维数组。
对于数组中的axis维度说明:
axis=0时按照列方向运算,axis=1时按照行方向运算
对于np.argmax(x, axis=1)来说,按行查找最大值,然后返回其列号
二、Tensor
torch.Tensor()也就是torch.FloatTensor()的另一种简写,torch.Tensor()会生成**单精度浮点类型(32位)**的张量。与torch.Tensor()同级类似的还有torch.IntTensor(),torch.LongTensor(),torch.DoubleTensor(),分别为短整型、长整型、双精度浮点型(64位)。
三、tensor
torch.tensor()中的数据类型决定生成张量的类型
可以通过torch.set_default_tensor_type(t)设置默认的tensor类型,如要使用torch.tensor()建立一个双精度浮点类型的张量,如下所示:
>>> torch.set_default_tensor_type(torch.DoubleTensor) #指定默认类型
>>> torch.tensor([1.2, 3]).dtype
torch.float64
【说明】注意torch.Tensor与torch.tensor的几点区别
1)torch.Tensor是torch.empty和torch.tensor之间的一种混合,但是,当传入数据时,torch.Tensor使用全局默认dtype(FloatTensor),torch.tensor从数据中推断数据类型。
2)torch.tensor(1)返回一个固定值1,而torch.Tensor(1)返回一个大小为1的张量,它是随机初始化的值。
tensor和numpy的主要区别:tensor是专门为GPU加速设计的矩阵,而numpy却不行。tensor就相当于一个为GPU设计的数据结构。