2、TENSOR ATTRIBUTES

每个 torch.Tensor 都有一个 torch.dtype、torch.device 和 torch.layout。

torch.dtype

CLASStorch.dtype

torch.dtype 是表示 torch.Tensor 的数据类型的对象。 PyTorch 有十二种不同的数据类型：

Data type	dtype	Legacy Constructors
32-bit floating point	torch.float32 or torch.float	torch.*.FloatTensor
64-bit floating point	torch.float64 or torch.double	torch.*.DoubleTensor
64-bit complex	torch.complex64 or torch.cfloat
128-bit complex	torch.complex128 or torch.cdouble
16-bit floating point 1	torch.float16 or torch.half	torch.*.HalfTensor
16-bit floating point 2	torch.bfloat16	torch.*.BFloat16Tensor
8-bit integer (unsigned)	torch.uint8	torch.*.ByteTensor
8-bit integer (signed)	torch.int8	torch.*.CharTensor
16-bit integer (signed)	torch.int16 or torch.short	torch.*.ShortTensor
32-bit integer (signed)	torch.int32 or torch.int	torch.*.IntTensor
64-bit integer (signed)	torch.int64 or torch.long	torch.*.LongTensor
Boolean	torch.bool	torch.*.BoolTensor

1
有时称为 binary16：使用 1 个符号、5 个指数和 10 个有效位。 当精度很重要时很有用。

2
有时称为脑浮点数：使用 1 个符号、8 个指数和 7 个有效位。 当范围很重要时很有用，因为它具有与 float32 相同数量的指数位。

要确定 torch.dtype 是否是浮点数据类型，可以使用属性 is_floating_point，如果数据类型是浮点数据类型，则返回 True。

要确定 torch.dtype 是否是复杂数据类型，可以使用属性 is_complex，如果数据类型是复杂数据类型，则返回 True。

当算术运算（add、sub、div、mul）的输入数据类型不同时，我们通过找到满足以下规则的最小数据类型来提升：

.如果标量操作数的类型比张量操作数（其中复杂 > 浮点 > 整数 > 布尔）属于更高的类别，我们将提升为具有足够大小以容纳该类别的所有标量操作数的类型。

.如果零维张量操作数的类别高于维度操作数，我们将提升为具有足够大小和类别的类型，以容纳该类别的所有零维张量操作数。

.如果没有更高类别的零维度操作数，我们将提升为具有足够大小和类别的类型以容纳所有维度的操作数。

浮点标量操作数具有 dtype torch.get_default_dtype() 和整数非布尔标量操作数具有 dtype torch.int64。 与 numpy 不同，我们在确定操作数的最小 dtypes 时不检查值。 尚不支持量化和复杂类型。

丰富示例：

>>> float_tensor = torch.ones(1, dtype=torch.float)
>>> double_tensor = torch.ones(1, dtype=torch.double)
>>> complex_float_tensor = torch.ones(1, dtype=torch.complex64)
>>> complex_double_tensor = torch.ones(1, dtype=torch.complex128)
>>> int_tensor = torch.ones(1, dtype=torch.int)
>>> long_tensor = torch.ones(1, dtype=torch.long)
>>> uint_tensor = torch.ones(1, dtype=torch.uint8)
>>> double_tensor = torch.ones(1, dtype=torch.double)
>>> bool_tensor = torch.ones(1, dtype=torch.bool)
# zero-dim tensors
>>> long_zerodim = torch.tensor(1, dtype=torch.long)
>>> int_zerodim = torch.tensor(1, dtype=torch.int)

>>> torch.add(5, 5).dtype
torch.int64
# 5 is an int64, but does not have higher category than int_tensor so is not considered.
>>> (int_tensor + 5).dtype
torch.int32
>>> (int_tensor + long_zerodim).dtype
torch.int32
>>> (long_tensor + int_tensor).dtype
torch.int64
>>> (bool_tensor + long_tensor).dtype
torch.int64
>>> (bool_tensor + uint_tensor).dtype
torch.uint8
>>> (float_tensor + double_tensor).dtype
torch.float64
>>> (complex_float_tensor + complex_double_tensor).dtype
torch.complex128
>>> (bool_tensor + int_tensor).dtype
torch.int32
# Since long is a different kind than float, result dtype only needs to be large enough
# to hold the float.
>>> torch.add(long_tensor, float_tensor).dtype
torch.float32

当指定算术运算的输出张量时，我们允许转换为它的 dtype，除了：

.积分输出张量不能接受浮点张量。

.布尔输出张量不能接受非布尔张量。

.非复数输出张量不能接受复数张量.

示例：

# allowed:
>>> float_tensor *= float_tensor
>>> float_tensor *= int_tensor
>>> float_tensor *= uint_tensor
>>> float_tensor *= bool_tensor
>>> float_tensor *= double_tensor
>>> int_tensor *= long_tensor
>>> int_tensor *= uint_tensor
>>> uint_tensor *= int_tensor

# disallowed (RuntimeError: result type can't be cast to the desired output type):
>>> int_tensor *= float_tensor
>>> bool_tensor *= int_tensor
>>> bool_tensor *= uint_tensor
>>> float_tensor *= complex_float_tensor

torch.device

CLASStorch.device

torch.device 是一个对象，表示在其上分配或将分配 torch.Tensor 的设备。

torch.device 包含设备类型（“cpu”或“cuda”）和设备类型的可选设备序号。 如果设备序号不存在，则该对象将始终代表设备类型的当前设备，即使在调用 torch.cuda.set_device() 之后； 例如，使用设备 'cuda' 构造的 torch.Tensor 等效于 'cuda:X'，其中 X 是 torch.cuda.current_device() 的结果。

可以通过 Tensor.device 属性访问 torch.Tensor 的设备。

torch.device 可以通过字符串或通过字符串和设备序数构造。

通过字符串：

>>> torch.device('cuda:0')
device(type='cuda', index=0)

>>> torch.device('cpu')
device(type='cpu')

>>> torch.device('cuda')  # current cuda device
device(type='cuda')

通过字符串和设备序号：

>>> torch.device('cuda', 0)
device(type='cuda', index=0)

>>> torch.device('cpu', 0)
device(type='cpu', index=0)

函数中的 torch.device 参数通常可以替换为字符串。 这允许快速的代码原型设计。

>>> # Example of a function that takes in a torch.device
>>> cuda1 = torch.device('cuda:1')
>>> torch.randn((2,3), device=cuda1)

>>> # You can substitute the torch.device with a string
>>> torch.randn((2,3), device='cuda:1')

出于遗留原因，可以通过单个设备序号构建设备，该序号被视为 cuda 设备。这与 Tensor.get_device() 匹配，它返回 cuda 张量的序数，并且不支持 cpu 张量。

>>> torch.device(1)
device(type='cuda', index=1)

采用设备的方法通常会接受（正确格式化的）字符串或（传统）整数设备序数，即以下都是等效的：

>>> torch.randn((2,3), device=torch.device('cuda:1'))
>>> torch.randn((2,3), device='cuda:1')
>>> torch.randn((2,3), device=1)  # legacy

torch.layout

CLASStorch.layout

WARNING：torch.layout 类处于测试阶段，可能会发生变化。

torch.layout 是一个表示 torch.Tensor 内存布局的对象。 目前，我们支持 torch.strided（密集张量）并且对 torch.sparse_coo（稀疏 COO 张量）提供测试版支持。

torch.strided 代表密集张量，是最常用的内存布局。 每个跨步张量都有一个关联的 torch.Storage，它保存着它的数据。 这些张量提供了存储的多维、跨步视图。 步幅是一个整数列表：第 k 个步幅表示从一个元素到 Tensor 第 k 维中的下一个元素所需的内存跳跃。 这个概念使得高效地执行许多张量操作成为可能。

Example:

>>> x = torch.tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> x.stride()
(5, 1)

>>> x.t().stride()
(1, 5)

有关 torch.sparse_coo 张量的更多信息，请参阅 torch.sparse。

torch.memory_format

CLASStorch.memory_format

torch.memory_format 是一个对象，表示在其上分配或将分配 torch.Tensor 的内存格式。

可能的值为：

.torch.contiguous_format：张量正在或将在密集的非重叠内存中分配。 步幅由按递减顺序的值表示。

.torch.channels_last：张量正在或将在密集的非重叠内存中分配。步幅由 strides[0] > strides[2] > strides[3] > strides[1] == 1 aka NHWC order 中的值表示。

.torch.preserve_format：用于像 clone 这样的函数来保留输入张量的内存格式。 如果输入张量分配在密集的非重叠内存中，则输出张量步幅将从输入中复制。 否则输出步幅将遵循 torch.contiguous_format。