在使用Tensor时，我们首先要掌握如何使用Tensor来定义不同数据类型的变量。Tensor时张量的英文，表示多维矩阵，和numpy对应，PyTorch中的Tensor可以和numpy的ndarray相互转换，唯一不同的是PyTorch可以在GPU上运行，而numpy的ndarray只能在cpu上运行。 

       常用的不同数据类型的Tensor，有32位的浮点型torch.FloatTensor,   64位浮点型 torch.DoubleTensor,   16位整形torch.ShortTensor,    32位整形torch.IntTensor和64位整形torch.LongTensor

 一：Tensor的数据类型

1  torch.FloatTensor:用于生成数据类型为浮点型的Tensor，传递给torch.FloatTensor的参数可以是一个列表，也可以是一个维度值

2：torch.IntTensor：用于生成数据类型为整形的Tensor,传递给torch.IntTensor的参数可以是一个列表，也可以是一个维度值

3：torch.rand:用于生成数据类型为浮点型且维度指定的随机Tensor,和在NumPy中使用的numpy.rand生成随机数的方法类似，随机生成的浮点数据在0-1区间均匀分布

4：torch.randn:用于生成数据类型为浮点型且维度指定的随机Tensor,和在NumPy中使用numpy.randn生成随机数的方法类似，随机生成的浮点数的取值满足均值为0，方差为1的正态分布

5：torch.range:用于生成数据类型为浮点型且自定义起始范围和结束范围的Tensor，所以传递给torch.range的参数有三个，分别是范围的起始值，范围的结束值和步长，其中，步长用于指定从起始值到结束值得每步得数据间隔

二：Tensor的运算

       通过对Tensor数据类型的变量进行运算，来组合一些简单或者复杂的算法，常用的Tensor运算如下。

1.torch.abs:将参数传递到torch.abs后返回输入参数的绝对值作为输出，输入参数必须是一个Tensor数据类型的变量。

2.torch.add:将参数传递到torch.add后返回输入参数的求和结果作为输出，输入参数可以全部是Tensor数据类型的变量，也可以一个是Tensor数据类型的变量，另一个是标量。

3.torch.clamp:对输入参数按照自定义的范围进行裁剪，最后将参数裁剪的结果作为输出。所以输入参数一共有三个，分别是需要进行裁剪的一共三个，分别是需要进行裁剪的Tensor数据类型的变量，裁剪的上边界，下边界。过程是，让变量的每个元素分别和上下边界比较，如果小于下边界，该元素就被重写下边界的值，如果大于上边界，该元素就被重写上边界的值。

4.torch.div:将参数传递到torch.div后返回输入参数的求商结果作为输出，同样，参与运算的参数可以全部是Tensor数据类型的变量，也可以是Tensor数据类型的变量和标量的组合

5.torch.mul：将参数传递到torch.mul后返回输入参数求积的结果作为输出，参与运算的参数可以全部是Tensor数据类型的变量，

也可以是Tensor数据类型的变量和标量的组合

6.torch.pow:将参数传递到torch.pow后返回输入参数的求幂结果作为输出，参与运算的参数可以全部是Tensor数据类型的变量，

也可以是Tensor数据类型的变量和标量的组合

就是a的b次方

7.torch.mm:将参数传递到torch.mm后返回输入参数的求积结果作为输出，不过这个求积结果的方式和之前的torch.mul运算方式不一样，toch.mm运用矩阵之间的乘法法则进行计算，所以被传入的参数会被当作矩阵进行处理，参数的维度自然也要满足矩阵乘法的前提条件，即前一个矩阵的行数必须和后一个矩阵的列数相等，否则不能计算。

8.torch.mv：将参数传递到torch.mv后返回输入参数的求积结果作为输出，torch.mv运用矩阵与向量之间的乘法规则进行计算，被传入的第一个参数代表矩阵，第二个参数代表向量，顺序不能颠倒

到此这篇关于PyTorch中Tensor的数据类型和运算的使用的文章就介绍到这了,更多相关PyTorch Tensor数据类型和运算内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！