tensor类型、属性、torch.tensor与torch.Tensor的区别

一、tensor（张量）

1. tensor简介

在深度学习中，可以理解为Tensor是一个多维度的矩阵。张量是一个不随参照系的坐标变换（其实就是基向量变化）而变化的东西。

2. 类型

3. 属性

每一个Tensor都有torch.dtype、torch.device、torch.layout

• torch.dtype：数据类型
• torch.device：是指torch.Tensor分配到的设备（'cpu’或’cuda’设备类型）的对象
• torch.layout：表示torch.Tensor内存布局的对象，分别是稀疏和密集。要注意的是稀疏化时需要提供元素的索引和值。可用torch.sparse_coo_tensor()和torch.sparse_csr_tensor()来实现

dev = torch.device("cpu")			# 使用cpu
print(torch.tensor([1, 2], device=dev))	# 将张量放在cpu上
dev = torch.device("cuda:0")		# 使用gpu
print(torch.tensor([1, 2], device=dev))	# 将张量放在gpu上

# 张量的稀疏化
indexs = torch.tensor([[0, 1, 1], [2, 0, 2]])	# 索引
values = torch.tensor([3, 4, 5], dtype=torch.float32)		# 值
x = torch.sparse_coo_tensor(indexs, values, [2, 4])			# 稀疏化
print(x)
print(x.to_dense())		# 将稀疏张量转化为稠密张量（含有多个0）

# 输出
tensor([1, 2])			# cpu上的张量
tensor([1, 2], device='cuda:0')	# gpu上的张量
tensor(indices=tensor([[0, 1, 1],
                       [2, 0, 2]]),
       values=tensor([3., 4., 5.]),
       size=(2, 4), nnz=3, layout=torch.sparse_coo)	# 稀疏张量的存储
tensor([[0., 0., 3., 0.],	# 稀疏转稠密
        [4., 0., 5., 0.]])

4. torch.tensor与torch.Tensor的区别

1. torch.Tensor是将输入的data转化torch.FloatTensor，而对于 torch.tensor(当你未指定dtype的类型时) 将依据data类型转化为torch.FloatTensor、torch.LongTensor或torch.DoubleTensor等
2. torch.Tensor是torch.empty(会随机产生垃圾数组，详见实例)和torch.tensor之间的一种混合

本文只用于个人学习与记录，侵权立删