PyTorch-数据转换-Numpy,Tensor,tensor

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。