PyTorch中torch.tensor与torch.Tensor的区别详解
62 浏览量
2020-12-17
12:36:29
上传
评论
收藏 57KB PDF 举报
PyTorch中中torch.tensor与与torch.Tensor的区别详解的区别详解
PyTorch最近几年可谓大火。相比于TensorFlow，PyTorch对于Python初学者更为友好，更易上手。
众所周知，numpy作为Python中数据分析的专业第三方库，比Python自带的Math库速度更快。同样的，在PyTorch中，
有一个类似于numpy的库，称为Tensor。Tensor自称为神经网络界的numpy。
一、一、numpy和和Tensor二者对比二者对比
对
比
项
numpy Tensor
相
同
点
可以定义多维数组，进行切片、改变维度、
数学运算等
可以定义多维数组，进行切片、改变维度、数学运算等
不
同
点
1、产生的数组类型为numpy.ndarray；
2、会将ndarray放入CPU中进行运算；
3、导入方式为import numpy as np，后续通
过np.array([1,2])建立数组；
4、numpy中没有x.type()的用法，只能使用
type(x)。
1、产生的数组类型为torch.Tensor；
2、会将tensor放入GPU中进行加速运算（如果有GPU）；
3、导入方式为import torch，后续通过torch.tensor([1,2])或
torch.Tensor([1,2])建立数组；
4、Tensor中查看数组类型既可以使用type(x)，也可以使用x.type()。但是
更加推荐采用x.type()，具体原因详见下文。
举例（以下代码均在Jupyter Notebook上运行且通过）：
numpy：
import numpy as np
x = np.array([1,2])
#之所以这么写，是为了告诉大家，在Jupyter Notebook中，是否带有print()函数打印出来的效果是不一样的~
x #array([1, 2])
print(x) #[1 2] type(x) #numpy.ndarray
print(type(x)) #<class 'numpy.ndarray'>
#注意：numpy中没有x.type()的用法，只能使用type(x)！！！
Tensor：
import torch #注意，这里是import torch，不是import Tensor！！！
x = torch.tensor([1,2])
x #tensor([1, 2])
print(x) #tensor([1, 2])，注意，这里与numpy就不一样了!
type(x) #torch.Tensor
print(type(x)) #<class 'torch.Tensor'>
x.type() #'torch.LongTensor'，注意：numpy中不可以这么写，会报错！！！
print(x.type()) #torch.LongTensor，注意：numpy中不可以这么写，会报错！！！
numpy与Tensor在使用上还有其他差别。由于不是本文的重点，故暂不详述。后续可能会更新~
二、二、torch.tensor与与torch.Tensor的区别的区别
细心的读者可能注意到了，通过Tensor建立数组有torch.tensor([1,2])或torch.Tensor([1,2])两种方式。那么，这两种方式
有什么区别呢？
（1）torch.tensor是从数据中推断数据类型，而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。但是，当传入数据时，torch.Tensor使用全局默认dtype(FloatTensor)；
（2）torch.tensor(1)返回一个固定值1，而torch.Tensor(1)返回一个大小为1的张量，它是初始化的随机值。
import torch #注意，这里是import torch，不是import Tensor！！！
x = torch.tensor([1,2])
x #tensor([1, 2])
print(x) #tensor([1, 2])，注意，这里与numpy就不一样了!
type(x) #torch.Tensor
print(type(x)) #<class 'torch.Tensor'>
资源评论
