PyTorch中torch.tensor與torch.Tensor的區別詳解
PyTorch最近幾年可謂大火。相比於TensorFlow,PyTorch對於Python初學者更為友好,更易上手。
眾所周知,numpy作為Python中資料分析的專業第三方庫,比Python自帶的Math庫速度更快。同樣的,在PyTorch中,有一個類似於numpy的庫,稱為Tensor。Tensor自稱為神經網路界的numpy。
一、numpy和Tensor二者對比
對比項 | numpy | Tensor |
相同點 | 可以定義多維陣列,進行切片、改變維度、數學運算等 | 可以定義多維陣列,進行切片、改變維度、數學運算等 |
不同點 |
1、產生的陣列型別為numpy.ndarray; 2、會將ndarray放入CPU中進行運算; 3、匯入方式為import numpy as np,後續通過np.array([1,2])建立陣列; 4、numpy中沒有x.type()的用法,只能使用type(x)。 |
1、產生的陣列型別為torch.Tensor; 2、會將tensor放入GPU中進行加速運算(如果有GPU); 3、匯入方式為import torch,後續通過torch.tensor([1,2])或torch.Tensor([1,2])建立陣列; 4、Tensor中檢視陣列型別既可以使用type(x),也可以使用x.type()。但是更加推薦採用x.type(),具體原因詳見下文。 |
舉例(以下程式碼均在Jupyter Notebook上執行且通過):
numpy:
import numpy as np x = np.array([1,2]) #之所以這麼寫,是為了告訴大家,在Jupyter Notebook中,是否帶有print()函式打印出來的效果是不一樣的~ x #array([1,2]) print(x) #[1 2] type(x) #numpy.ndarray print(type(x)) #<class 'numpy.ndarray'> #注意:numpy中沒有x.type()的用法,只能使用type(x)!!!
Tensor:
import torch #注意,這裡是import torch,不是import Tensor!!! x = torch.tensor([1,2]) x #tensor([1,2]) print(x) #tensor([1,2]),注意,這裡與numpy就不一樣了! type(x) #torch.Tensor print(type(x)) #<class 'torch.Tensor'> x.type() #'torch.LongTensor',注意:numpy中不可以這麼寫,會報錯!!! print(x.type()) #torch.LongTensor,注意:numpy中不可以這麼寫,會報錯!!!
numpy與Tensor在使用上還有其他差別。由於不是本文的重點,故暫不詳述。後續可能會更新~
二、torch.tensor與torch.Tensor的區別
細心的讀者可能注意到了,通過Tensor建立陣列有torch.tensor([1,2])兩種方式。那麼,這兩種方式有什麼區別呢?
(1)torch.tensor是從資料中推斷資料型別,而torch.Tensor是torch.empty(會隨機產生垃圾陣列,詳見例項)和torch.tensor之間的一種混合。但是,當傳入資料時,torch.Tensor使用全域性預設dtype(FloatTensor);
(2)torch.tensor(1)返回一個固定值1,而torch.Tensor(1)返回一個大小為1的張量,它是初始化的隨機值。
import torch #注意,這裡是import torch,不是import Tensor!!! x = torch.tensor([1,2]) x #tensor([1,2]),注意,這裡與numpy就不一樣了! type(x) #torch.Tensor print(type(x)) #<class 'torch.Tensor'> x.type() #'torch.LongTensor',注意:numpy中不可以這麼寫,會報錯!!! print(x.type()) #torch.LongTensor,注意:numpy中不可以這麼寫,會報錯!!! y = torch.Tensor([1,2]) y #tensor([1.,2.]),因為torch.Tensor使用全域性預設dtype(FloatTensor) print(y) #tensor([1.,2.]),因為torch.Tensor使用全域性預設dtype(FloatTensor) type(y) #torch.Tensor print(type(y)) #<class 'torch.Tensor'> y.type() #'torch.FloatTensor',注意:這裡就與上面不一樣了!tensor->LongTensor,Tensor->FloatTensor!!! print(y.type()) #torch.FloatTensor,注意:這裡就與上面不一樣了!tensor->LongTensor,Tensor->FloatTensor!!! z = torch.empty([1,2]) z #隨機執行兩次,結果不同:tensor([[0.,0.]]),tensor([[1.4013e-45,0.0000e+00]]) print(z) #隨機執行兩次,結果不同:tensor([[0.,0.0000e+00]]) type(z) #torch.Tensor print(type(z)) #<class 'torch.Tensor'> z.type() #'torch.FloatTensor',注意:empty()預設為torch.FloatTensor而不是torch.LongTensor print(z.type()) #torch.FloatTensor,注意:empty()預設為torch.FloatTensor而不是torch.LongTensor #torch.tensor(1)、torch.Tensor(1)和torch.empty(1)的對比: t1 = torch.tensor(1) t2 = torch.Tensor(1) t3 = torch.empty(1) t1 #tensor(1) print(t1) #tensor(1) type(t1) #torch.Tensor print(type(t1)) #<class 'torch.Tensor'> t1.type() #'torch.LongTenso' print(t1.type()) #torch.LongTensor t2 #隨機執行兩次,結果不同:tensor([2.8026e-45]),tensor([0.]) print(t2) #隨機執行兩次,結果不同:tensor([2.8026e-45]),tensor([0.]) type(t2) #torch.Tensor print(type(t2)) #<class 'torch.Tensor'> t2.type() #'torch.FloatTensor' print(t2.type()) #torch.FloatTensor t3 #隨機執行兩次,結果不同:tensor([0.]),tensor([1.4013e-45]) print(t3) #隨機執行兩次,結果不同:tensor([0.]),tensor([1.4013e-45]) type(t3) #torch.Tensor print(type(t3)) #<class 'torch.Tensor'> t3.type() #'torch.FloatTensor' print(t3.type()) #torch.FloatTensor
上文提到過,對於Tensor,更推薦採用x.type()來檢視資料型別。是因為x.type()的輸出結果為'torch.LongTensor'或'torch.FloatTensor',可以看出兩個陣列的種類區別。而採用type(x),則清一色的輸出結果都是torch.Tensor,無法體現型別區別。
PyTorch是個神奇的工具,其中的Tensor用法要遠比numpy豐富。大家可以在練習中多多總結,逐漸提高~
到此這篇關於PyTorch中torch.tensor與torch.Tensor的區別詳解的文章就介紹到這了,更多相關PyTorch中torch.tensor與torch.Tensor內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們!