评价此页

★ ★ ★ ★ ★

张量属性#

创建于: 2018年4月21日 | 最后更新于: 2025年6月27日

每个 torch.Tensor 都有一个 torch.dtype、torch.device 和 torch.layout。

torch.dtype#

class torch.dtype#

一个 torch.dtype 是一个表示 torch.Tensor 数据类型的对象。PyTorch 有几种不同的数据类型。

浮点数 dtype

dtype	描述
`torch.float32` 或 `torch.float`	32 位浮点数，定义在 https://en.wikipedia.org/wiki/IEEE_754
`torch.float64` 或 `torch.double`	64 位浮点数，定义在 https://en.wikipedia.org/wiki/IEEE_754
`torch.float16` 或 `torch.half`	16 位浮点数，定义在 https://en.wikipedia.org/wiki/IEEE_754，S-E-M 1-5-10
`torch.bfloat16`	16 位浮点数，有时被称为 Brain 浮点数，S-E-M 1-8-7
`torch.complex32` 或 `torch.chalf`	32 位复数，包含两个 float16 分量
`torch.complex64` 或 `torch.cfloat`	64 位复数，包含两个 float32 分量
`torch.complex128` 或 `torch.cdouble`	128 位复数，包含两个 float64 分量
`torch.float8_e4m3fn` [shell], [1]	8 位浮点数，S-E-M 1-4-3，来自 https://arxiv.org/abs/2209.05433
`torch.float8_e5m2` [shell]	8 位浮点数，S-E-M 1-5-2，来自 https://arxiv.org/abs/2209.05433
`torch.float8_e4m3fnuz` [shell], [1]	8 位浮点数，S-E-M 1-4-3，来自 https://arxiv.org/pdf/2206.02915
`torch.float8_e5m2fnuz` [shell], [1]	8 位浮点数，S-E-M 1-5-2，来自 https://arxiv.org/pdf/2206.02915
`torch.float8_e8m0fnu` [shell], [1]	8 位浮点数，S-E-M 0-8-0，来自 https://www.opencompute.org/documents/ocp-microscaling-formats-mx-v1-0-spec-final-pdf
`torch.float4_e2m1fn_x2` [shell], [1]	打包的 4 位浮点数，S-E-M 1-2-1，来自 https://www.opencompute.org/documents/ocp-microscaling-formats-mx-v1-0-spec-final-pdf

整数 dtype

dtype	描述
`torch.uint8`	8 位整数 (无符号)
`torch.int8`	8 位整数 (有符号)
`torch.uint16` [shell], [2]	16 位整数 (无符号)
`torch.int16` 或 `torch.short`	16 位整数 (有符号)
`torch.uint32` [shell], [2]	32 位整数 (无符号)
`torch.int32` 或 `torch.int`	32 位整数 (有符号)
`torch.uint64` [shell], [2]	64 位整数 (无符号)
`torch.int64` 或 `torch.long`	64 位整数 (有符号)
`torch.bool`	布尔

[shell] (1,2,3,4,5,6,7,8,9)

一个 shell dtype，一种具有有限的操作和后端支持的专用 dtype。具体来说，支持张量创建（torch.empty、torch.fill、torch.zeros）的操作，以及不查看数据元素的操作（torch.cat、torch.view、torch.reshape）。查看数据元素的操作，例如类型转换、矩阵乘法、nan/inf 检查，仅在逐案的基础上支持，取决于硬件加速内核的成熟度和存在以及已建立的用例。

注意：旧的构造函数，如 torch.*.FloatTensor、torch.*.DoubleTensor、torch.*.HalfTensor、torch.*.BFloat16Tensor、torch.*.ByteTensor、torch.*.CharTensor、torch.*.ShortTensor、torch.*.IntTensor、torch.*.LongTensor、torch.*.BoolTensor 仅保留用于向后兼容，不应再使用。

要找出 torch.dtype 是否为浮点数据类型，可以使用属性 is_floating_point，如果数据类型是浮点数据类型，则返回 True。

要找出 torch.dtype 是否为复数数据类型，可以使用属性 is_complex，如果数据类型是复数数据类型，则返回 True。

当算术运算（add、sub、div、mul）的输入 dtype 不同时，我们通过找到满足以下规则的最小 dtype 来进行提升。

如果标量操作数的类型比张量操作数（其中 complex > floating > integral > boolean）的类别更高，我们将其提升到具有足够大小的类型，以容纳该类别中的所有标量操作数。
如果零维张量操作数的类别比有维度操作数高，我们将其提升到具有足够大小和类别的类型，以容纳该类别中的所有零维张量操作数。
如果没有更高类别的零维操作数，我们将其提升到具有足够大小和类别的类型，以容纳所有有维度操作数。

浮点标量操作数的 dtype 为 torch.get_default_dtype()，而整数非布尔标量操作数的 dtype 为 torch.int64。与 numpy 不同，我们在确定操作数的最小 dtype 时不检查值。复数类型尚不支持。Shell dtype 的提升未定义。

提升示例

>>> float_tensor = torch.ones(1, dtype=torch.float)
>>> double_tensor = torch.ones(1, dtype=torch.double)
>>> complex_float_tensor = torch.ones(1, dtype=torch.complex64)
>>> complex_double_tensor = torch.ones(1, dtype=torch.complex128)
>>> int_tensor = torch.ones(1, dtype=torch.int)
>>> long_tensor = torch.ones(1, dtype=torch.long)
>>> uint_tensor = torch.ones(1, dtype=torch.uint8)
>>> bool_tensor = torch.ones(1, dtype=torch.bool)
# zero-dim tensors
>>> long_zerodim = torch.tensor(1, dtype=torch.long)
>>> int_zerodim = torch.tensor(1, dtype=torch.int)

>>> torch.add(5, 5).dtype
torch.int64
# 5 is an int64, but does not have higher category than int_tensor so is not considered.
>>> (int_tensor + 5).dtype
torch.int32
>>> (int_tensor + long_zerodim).dtype
torch.int32
>>> (long_tensor + int_tensor).dtype
torch.int64
>>> (bool_tensor + long_tensor).dtype
torch.int64
>>> (bool_tensor + uint_tensor).dtype
torch.uint8
>>> (float_tensor + double_tensor).dtype
torch.float64
>>> (complex_float_tensor + complex_double_tensor).dtype
torch.complex128
>>> (bool_tensor + int_tensor).dtype
torch.int32
# Since long is a different kind than float, result dtype only needs to be large enough
# to hold the float.
>>> torch.add(long_tensor, float_tensor).dtype
torch.float32

当指定算术运算的输出张量时，我们允许将其转换为其 dtype，但有一个例外：

整数输出张量不能接受浮点张量。
布尔输出张量不能接受非布尔张量。
非复数输出张量不能接受复数张量。

类型转换示例

# allowed:
>>> float_tensor *= float_tensor
>>> float_tensor *= int_tensor
>>> float_tensor *= uint_tensor
>>> float_tensor *= bool_tensor
>>> float_tensor *= double_tensor
>>> int_tensor *= long_tensor
>>> int_tensor *= uint_tensor
>>> uint_tensor *= int_tensor

# disallowed (RuntimeError: result type can't be cast to the desired output type):
>>> int_tensor *= float_tensor
>>> bool_tensor *= int_tensor
>>> bool_tensor *= uint_tensor
>>> float_tensor *= complex_float_tensor

torch.device#

class torch.device#

一个 torch.device 是一个对象，表示 torch.Tensor 所在或将要分配的设备。

torch.device 包含一个设备类型（最常见的是“cpu”或“cuda”，但也可能是 “mps”、“xpu”、“xla” 或 “meta”）以及设备类型的可选设备序号。如果设备序号不存在，此对象将始终代表设备类型的当前设备，即使在调用 torch.cuda.set_device() 之后也是如此；例如，使用设备 'cuda' 构建的 torch.Tensor 等同于 'cuda:X'，其中 X 是 torch.cuda.current_device() 的结果。

torch.Tensor 的设备可以通过 Tensor.device 属性访问。

torch.device 可以通过以下方式构造：

设备字符串，它是设备类型和可选设备序号的字符串表示。

设备类型和设备序号。

设备序号，将使用当前的加速器类型。

通过设备字符串

>>> torch.device('cuda:0')
device(type='cuda', index=0)

>>> torch.device('cpu')
device(type='cpu')

>>> torch.device('mps')
device(type='mps')

>>> torch.device('cuda')  # implicit index is the "current device index"
device(type='cuda')

通过设备类型和设备序号

>>> torch.device('cuda', 0)
device(type='cuda', index=0)

>>> torch.device('mps', 0)
device(type='mps', index=0)

>>> torch.device('cpu', 0)
device(type='cpu', index=0)

通过设备序号

注意

如果当前未检测到加速器，此方法将引发 RuntimeError。

>>> torch.device(0)  # the current accelerator is cuda
device(type='cuda', index=0)

>>> torch.device(1)  # the current accelerator is xpu
device(type='xpu', index=1)

>>> torch.device(0)  # no current accelerator detected
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
RuntimeError: Cannot access accelerator device when none is available.

设备对象也可以用作上下文管理器，以更改分配张量的默认设备。

>>> with torch.device('cuda:1'):
...     r = torch.randn(2, 3)
>>> r.device
device(type='cuda', index=1)

如果工厂函数传递了显式的、非 None 的设备参数，此上下文管理器将不起作用。要全局更改默认设备，请参阅 torch.set_default_device()。

警告

此函数对每次调用 torch API（不仅仅是工厂函数）的 Python 调用都会产生轻微的性能开销。如果这给您带来了问题，请在 pytorch/pytorch#92701 上发表评论。

注意

函数中的 torch.device 参数通常可以用字符串替换。这使得代码的原型开发速度更快。

>>> # Example of a function that takes in a torch.device
>>> cuda1 = torch.device('cuda:1')
>>> torch.randn((2,3), device=cuda1)

>>> # You can substitute the torch.device with a string
>>> torch.randn((2,3), device='cuda:1')

注意

接受设备的函数通常会接受一个（格式正确的）字符串或一个整数设备序号，即以下所有都等效：

>>> torch.randn((2,3), device=torch.device('cuda:1'))
>>> torch.randn((2,3), device='cuda:1')
>>> torch.randn((2,3), device=1)  # equivalent to 'cuda:1' if the current accelerator is cuda

注意

张量绝不会自动在设备之间移动，需要用户显式调用。标量张量（tensor.dim()==0）是此规则的唯一例外，当需要时，它们会自动从 CPU 传输到 GPU，因为此操作可以“免费”完成。示例：

>>> # two scalars
>>> torch.ones(()) + torch.ones(()).cuda()  # OK, scalar auto-transferred from CPU to GPU
>>> torch.ones(()).cuda() + torch.ones(())  # OK, scalar auto-transferred from CPU to GPU

>>> # one scalar (CPU), one vector (GPU)
>>> torch.ones(()) + torch.ones(1).cuda()  # OK, scalar auto-transferred from CPU to GPU
>>> torch.ones(1).cuda() + torch.ones(())  # OK, scalar auto-transferred from CPU to GPU

>>> # one scalar (GPU), one vector (CPU)
>>> torch.ones(()).cuda() + torch.ones(1)  # Fail, scalar not auto-transferred from GPU to CPU and non-scalar not auto-transferred from CPU to GPU
>>> torch.ones(1) + torch.ones(()).cuda()  # Fail, scalar not auto-transferred from GPU to CPU and non-scalar not auto-transferred from CPU to GPU

torch.layout#

class torch.layout#

警告

torch.layout 类处于 beta 阶段，可能会发生更改。

torch.layout 是一个表示 torch.Tensor 内存布局的对象。目前，我们支持 torch.strided（稠密张量），并为 torch.sparse_coo（稀疏 COO 张量）提供 beta 支持。

torch.strided 表示稠密张量，是最常用的内存布局。每个 strided 张量都有一个关联的 torch.Storage，用于保存其数据。这些张量提供了存储的多维、跨步视图。跨步是一系列整数：第 k 个跨步表示为了从张量的第 k 个维度上的一个元素移到下一个元素，在内存中需要跳转的距离。这个概念使得许多张量操作能够高效地执行。

示例

>>> x = torch.tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
>>> x.stride()
(5, 1)

>>> x.t().stride()
(1, 5)

有关 torch.sparse_coo 张量的更多信息，请参阅 torch.sparse。

torch.memory_format#

class torch.memory_format#

torch.memory_format 是一个对象，表示 torch.Tensor 所在或将要分配的内存格式。

可能的值包括：

torch.contiguous_format：张量以非重叠的连续内存分配或将要分配。跨步值按降序排列。
torch.channels_last：张量以非重叠的连续内存分配或将要分配。跨步值按 strides[0] > strides[2] > strides[3] > strides[1] == 1（即 NHWC 顺序）排列。
torch.channels_last_3d：张量以非重叠的连续内存分配或将要分配。跨步值按 strides[0] > strides[2] > strides[3] > strides[4] > strides[1] == 1（即 NDHWC 顺序）排列。
torch.preserve_format：在 clone 等函数中使用，以保留输入张量的内存格式。如果输入张量以连续非重叠内存分配，则输出张量的跨步将从输入复制。否则，输出跨步将遵循 torch.contiguous_format。