PyTorch中torch.tensor与torch.Tensor的区别详解

脚本专栏 2024/11/8 佚名

3 2 1

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、numpy和Tensor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、torch.tensor与torch.Tensor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'>
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！！！
 
y = torch.Tensor([1,2])
 
y       #tensor([1., 2.])，因为torch.Tensor使用全局默认dtype(FloatTensor)
print(y)     #tensor([1., 2.])，因为torch.Tensor使用全局默认dtype(FloatTensor)
type(y)     #torch.Tensor
print(type(y))    #<class 'torch.Tensor'>
y.type()     #'torch.FloatTensor'，注意：这里就与上面不一样了！tensor->LongTensor，Tensor->FloatTensor！！！
print(y.type())   #torch.FloatTensor，注意：这里就与上面不一样了！tensor->LongTensor，Tensor->FloatTensor！！！
 
z = torch.empty([1,2]) 
 
z       #随机运行两次，结果不同：tensor([[0., 0.]]),tensor([[1.4013e-45, 0.0000e+00]])
print(z)     #随机运行两次，结果不同：tensor([[0., 0.]]),tensor([[1.4013e-45, 0.0000e+00]])
type(z)     #torch.Tensor
print(type(z))    #<class 'torch.Tensor'>
z.type()     #'torch.FloatTensor'，注意：empty()默认为torch.FloatTensor而不是torch.LongTensor
print(z.type())   #torch.FloatTensor，注意：empty()默认为torch.FloatTensor而不是torch.LongTensor
 
#torch.tensor(1)、torch.Tensor(1)和torch.empty(1)的对比：
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       #随机运行两次，结果不同：tensor([2.8026e-45]),tensor([0.])
print(t2)     #随机运行两次，结果不同：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       #随机运行两次，结果不同：tensor([0.]),tensor([1.4013e-45])
print(t3)     #随机运行两次，结果不同：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

上文提到过，对于Tensor，更推荐采用x.type()来查看数据类型。是因为x.type()的输出结果为'torch.LongTensor'或'torch.FloatTensor'，可以看出两个数组的种类区别。而采用type(x)，则清一色的输出结果都是torch.Tensor，无法体现类型区别。

PyTorch是个神奇的工具，其中的Tensor用法要远比numpy丰富。大家可以在练习中多多总结，逐渐提高~

PyTorch,torch.tensor,torch.Tensor