pytorch官方文档学习01

写在前面：

• print代码后注释即为代码打印结果

torch

属性

torch.is_tensor(obj)

输入：obj-数据对象

判断是否tensor

import torch

x=torch.tensor([1,2,3])
print(torch.is_tensor(x)) #True

#python自带接口
print(isinstance(x, torch.Tensor)) #True

torch.is_storage(obj)

测试obj是不是storage类型，如果是的话就返回True，否则返回False

import torch

x=torch.tensor([1,2,3])
print(torch.is_storage(x)) #False

扩展：什么是storage？

Storage类型是pytorch中的一个类型，它与tensor是对应的。
tensor 分为头信息区(Tensor)和存储区(Storage)。

• 信息区(Tensor)主要存储tensor的形状(size)、步长(stride)、数据类型(type)等信息，其真正的数据保存为连续数组，存储在存储区(Storage)中。
• 一般来说pytorch中tensor的数据很大，可能是成千上万的，所以我们信息区(Tensor)一般来说占用的内存比较少，主要内存的占用取决于tensor中元素的数目，也就是存储区(Storage)的大小。

其实说的通俗一点就是，我们的Tensor相当于一组描述符，可以类比为操作系统中的PCB，而Storage是我们真正的进程数据存放的位置。

一般来说，一个tensor对应一个storage，storage是在data之上封装的接口，便于我们进行使用。不同的tensor的头部信息一般是不同的，但是它们使用的Storage可能相同(也就是共享内存)。

torch.is_complex(obj)

此方法的意思是如果输入是一个复数数据类型（例如torch.complex64或者 torch.complex128）就返回True，否则返回False。

import torch

a = torch.tensor([1, 2], dtype=torch.float32)
b = torch.tensor([3, 4], dtype=torch.float32)
z = torch.complex(a, b)
print(z)  #tensor([1.+3.j, 2.+4.j])
print(torch.is_complex(z)) #True

pytorch创建复数Tensor的方法是torch.complex(real, imag,*,out=None)，参数分别为实部、虚部、输出值，此方法返回的是一个复数的Tensor。

torch.is_conj(obj)

根据输入的张量返回一个共轭张量。这里所谓的共轭概念，主要是指复平面上，对于复轴的数的翻转。比方说3-4j的共轭为3+4j

torch.is_floating_point(obj)

判断给定的input中data的值是不是浮点类型（支持torch.float16、torch.float32与torch.float64）

torch.is_nonzero(obj)

此方法的用途是测试一个单元素的tensor在进行类型转化后是不是为0。就是测试input是不是不为torch.tensor([0.])或者torch.tensor([0])或者torch.tensor([False])三个其中的一个。

torch.set_default_dtype(d)

输入：d(torch.dtype) – 浮点 dtype 作为默认值。 Torch.float32 或 torch.float64。

设置pytorch中浮点数的默认类型。pytorch中有很多浮点类型，例如torch.float16、torch.float32、torch.float64这些在初始化一个浮点tensor的时候是可以指定的，如果我们不指定，当 PyTorch 初始化时，它的默认浮点 dtype 是 torch.float32，此方法的作用就是指定pytorch默认给不指定浮点类型的浮点数哪个类型。

import torch

print(torch.tensor([1.2, 3]).dtype) #torch.float32
torch.set_default_dtype(torch.float64)
print(torch.tensor([1.2, 3]).dtype) #torch.float64

torch.get_default_dtype()

输入：无

获取当前默认的浮点类型 torch.dtype

import torch

print(torch.get_default_dtype()) #torch.float32

torch.set_default_tensor_type(t)

输入：t-浮点张量类型

将默认类型设置为浮点张量类型。

Tensor有不同的数据类型，每种类型分别有对应CPU和GPU版本（HalfTensor除外）。默认的Tensor是FloatTensor，可通过torch.set_default_tensor_type修改默认tensor类型（如果默认类型为GPU tensor，则所有操作都将在GPU上进行），HalfTensor是专门为GPU设计的，相同元素个数使用的空间更少，解决显存不足的问题，但是由于精度不足可能会出现溢出的问题。

torch.numel(tensor)

输入：tensor

返回张量中元素的总数

import torch

a = torch.randn(1, 2, 3, 4, 5)
print(torch.numel(a)) #120

torch.set_printoptions(precision=None, threshold=None, edgeitems=None, linewidth=None, profile=None, sci_mode=None)

precision=None，此参数的意思是显示浮点tensor中元素的精度（显示到小数点后几位），默认是4

threshold=None，由于我们的进行训练网络时，tensor都会很大，里面的数据很多，不方便全部显示出来，显示超过一定的个数（注意是个数，是行数×列数，而不是行数或者列数）后就会进行折叠。此参数是指定tensor的数目超过多少时开始显示进行折叠。默认为1000。
edgeitems=None此参数也与折叠有关，折叠后只显示前面的数据和后面的数据，此参数设置显示的前面与后面的数据的行数（注意这里是行数而不是个数），默认为3，如上图折叠后头尾各显示3行，更改为5行后如下所示：

linewidth=None，此参数是指如果一行数据太多会插入换行符，此参数是指定每行的字符数（注意是字符数，不是数据的个数，这个一定要注意）到达多少时插入换行符，此参数对于显示时超过threshold而折叠的tensor并不适用。默认为80。

profile=None：其实此方法就是一个比较简便的显示方法，它有三个选项，分别为default、short、full用来满足我们的显示。

sci_mode=None这方法是来指定显示的数字是否使用科学计数法，可以选择指定True或者False，如果选择None，那么是True还是False会由torch._tensor_str._Formatter来定义。值会自动的由框架来选择。一般默认为False。

创建操作

截止计划：2023.02.28

参考

Fluid_ray的博客_CSDN博客-pytorch每日一学,pytorch入门领域博主

感谢大佬的博客，如何想要详细了解，请去大佬博客一看