《神经网络与PyTorch实战》——3.1.2　PyTorch里的张量

3.1.2　PyTorch里的张量

　　在扩展库PyTorch中，张量是运算的基本数据类型，用类torch.Tensor实现。在正式介绍torch.Tensor类的用法之前，本节先来看一段使用torch.Tensor类的代码，使你对PyTorch里的张量有个直观的印象。

　　代码清单3-1是一段使用torch.Tensor类的代码。该代码首先导入了扩展库PyTorch。扩展库PyTorch在Python里记作“torch”，可以用语句“import torch”导入。接着，代码用torch.tensor() 函数将一个列表转化为torch.Tensor类实例t2。注意，函数名tensor的所有字母都是小写字母，而类名的首字母是大写的。得到torch.Tensor类实例t2后，代码显示t2的数据内容。接着，代码还将张量t2的元素进行重新组织，使得其大小从变为。最后，代码演示了如何利用张量进行数学计算，将张量逐元素加1得到新的张量。

代码清单3-1　一段使用torch.Tensor类的代码

     import torch

     t2 = torch.tensor([[0, 1, 2], [3, 4, 5]])

     print(t2)

     print('数据 = {}'.format(t2))

     print(t2.reshape(3, 2)) # 重新组织元素

     print(t2 + 1) # 逐元素运算

　　代码清单3-1涉及张量的构造、元素重组、科学计算等用法。在本章后续内容中，我们将逐一对以上话题进行介绍。

　　前一节提到了张量的大小、维度和元素个数。在PyTorch中，可以通过torch.Tensor类实例的成员获得这些性质。torch.Tensor类包括以下成员（但不限于此）。

* 成员size()：返回张量的大小，它是一个元组的子类torch.Size类实例。

* 成员dim()：返回张量的维度，它是一个int类型的数值。它是张量大小的数据条目个数。

* 成员numel()：张量中元素的个数，它是一个int类型的数值。它是张量大小各条目之积。

　　例如，可以用以下代码查看代码清单3-1中张量t2的数据、大小、维度和元素个数：

     print('数据 = {}'.format(t2))

     print('大小 = {}'.format(t2.size()))

     print('维度 = {}'.format(t2.dim()))

     print('元素个数 = {}'.format(t2.numel()))

　　在代码清单3-1中，张量类实例t2的大小为，维度为2，元素个数为6。

　　另外，每个张量类实例还会有元素类型（dtype）。为了更好地适应不同的应用需求，PyTorch提供了下列元素类型。

* 浮点类型：torch.float16、torch.float32、torch.float64。它们的区别在于位数和精度不同。类型名称的后缀“16”“32”“64”表示位数，位数越大精度越高。这些浮点类型中最常用的是torch.float32。

* 整数类型：torch.uint8、torch.int8、torch.int16、torch.int32、torch.int64。其中torch.uint8是无符号（unsigned）的整数类型，它只能表示非负整数；其他整数类型都是有符号类型。这些整数类型中最常用torch.int64类型表示指标（即0、1、2这样的序号），用torch.uint8表示逻辑类型（即“是”或“否”）。

　　可以通过张量类实例的成员dtype查看元素类型：

     print('元素类型 = {}'.format(t2.dtype))

　　代码清单3-1在构造torch.Tensor类实例时，使用了int值列表，所以构造出来的张量的数据类型默认为torch.int64型。如果用bool值列表构造，则构造出来的张量元素类型默认是torch.uint8型；如果用float值列表构造，则构造出来的张量的元素类型默认是torch.float32型。