每個torch.Tensor都有torch.dtype, torch.device,和torch.layout。
torch.dtype
torch.dtype是表示torch.Tensor的數據類型的對象。PyTorch有八種不同的數據類型：
| Data type | dtype | Tensor types |
|---|---|---|
| 32-bit floating point | torch.float32 or torch.float | torch.*.FloatTensor |
| 64-bit floating point | torch.float64 or torch.double | torch.*.DoubleTensor |
| 16-bit floating point | torch.float16 or torch.half | torch.*.HalfTensor |
| 8-bit integer (unsigned) | torch.uint8 | torch.*.ByteTensor |
| 8-bit integer (signed) | torch.int8 | torch.*.CharTensor |
| 16-bit integer (signed) | torch.int16 or torch.short | torch.*.ShortTensor |
| 32-bit integer (signed) | torch.int32 or torch.int | torch.*.IntTensor |
| 64-bit integer (signed) | torch.int64 or torch.long | torch.*.LongTensor |
使用方法：
>>> x = torch.Tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> print x.type()
torch.FloatTensor
torch.layout
torch.layout表示torch.Tensor內存佈局的對象。目前，我們支持torch.strided(dense Tensors)併爲torch.sparse_coo(sparse COO Tensors)提供實驗支持。
torch.strided代表密集張量，是最常用的內存佈局。每個strided張量都會關聯 一個torch.Storage，它保存着它的數據。這些張力提供了多維度， 存儲的strided視圖。Strides是一個整數型列表：k-th stride表示在張量的第k維從一個元素跳轉到下一個元素所需的內存。這個概念使得可以有效地執行多張量。
例：
>>> x = torch.Tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> x.stride()
(5, 1)
>>> x.t().stride()
(1, 5)
關於torch.sparse_coo張量的更多信息,請參閱torch.sparse。
《轉：pytorch中文學習文檔》
原創文章，轉載請註明 ：pytorch使用torch.dtype、torch.device和torch.layout管理數據類型屬性 - pytorch中文網