持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第1天，点击查看活动详情

前言

PyTorch 建立在张量之上，PyTorch 张量是一个 n 维数组，类似于 NumPy 数组。如果对 NumPy 较为熟悉，我们会在使用张量时看到语法上的相似之处：

在本节中，我们将学习如何定义和更改张量，将张量转换为数组，以及在计算设备之间移动张量。

定义张量数据类型

默认张量数据类型是 torch.float32，这是张量运算最常用的数据类型。

1. 定义一个具有默认数据类型的张量：

x = torch.ones(2, 2)
print(x)
print(x.dtype)
复制代码

2. 定义张量时指定数据类型：

x = torch.ones(2, 2, dtype=torch.int8)
print(x)
print(x.dtype)
复制代码

更改张量的数据类型

我们可以使用 type() 方法更改张量的数据类型：

1. 使用 torch.uint8 类型定义一个张量：

x=torch.ones(1,dtype=torch.uint8)
print(x.dtype)
复制代码

2. 更改张量数据类型：

x=x.type(torch.float)
print(x.dtype)
复制代码

将张量转换为 NumPy 数组

我们可以非常方便地将 PyTorch 张量转换为 NumPy 数组。

1. 定义一个张量：

x=torch.rand(2,2)
print(x)
print(x.dtype)
复制代码

2. 将张量转换为 NumPy 数组：

y=x.numpy()
print(y)
print(y.dtype)
复制代码

将 NumPy 数组转换为张量

我们还可以将 NumPy 数组转换为 PyTorch 张量。

1. 定义一个 NumPy 数组：

import numpy as np
x=np.zeros((2,2),dtype=np.float32)
print(x)
print(x.dtype)
复制代码

2. 将 NumPy 数组转换为 PyTorch 张量：

y=torch.from_numpy(x)
print(y)
print(y.dtype)
复制代码

在设备之间移动张量

默认情况下，PyTorch 张量存储在 CPU 上，PyTorch 张量可以在使用 GPU 来加速计算。这是张量与 NumPy 数组相比的主要优势。为了利用这一优势，我们需要将张量移动到 CUDA 设备上，我们可以使用 to() 方法将张量移动到其它可用设备上。

1. 在 CPU 上定义一个张量：

x=torch.tensor([1.5, 2])
print(x)
print(x.device)
复制代码

2. 定义一个 CUDA 设备：

if torch.cuda.is_available():
    device = torch.device("cuda:0")
复制代码

3. 将张量移动到 CUDA 设备上：

x = x.to(device)
print(x)
print(x.device)
复制代码

4. 同样，我们可以将张量移动到 CPU：

device = torch.device("cpu")
x = x.to(device)
print(x)
print(x.device)
复制代码

5. 我们也可以直接在可用设备上创建张量：

device = torch.device("cuda:0")
x = torch.ones(2,2, device=device)
print(x)
复制代码

小结

在本节中，我们首先定义了一个张量，获得了张量类型，并改变了它的类型。然后，我们将 PyTorch 张量转换为 NumPy 数组，然后进行相反的转换操作。同时，我们还介绍了如何使用 type() 方法更改张量数据类型。然后，我们学习了如何使用 numpy() 方法将 PyTorch 张量转换为 NumPy 数组。

之后，我们使用 from_numpy(x) 方法将 NumPy 数组转换为 PyTorch 张量。然后，我们向学习了如何使用 to() 方法将张量在 CPU 和 CUDA 设备之间移动；如果创建张量时不指定设备，则张量将默认创建在 CPU 设备上。