torch.Tensor.to

Tensor.to(*args, **kwargs) → Tensor

执行 Tensor 的 dtype 和/或 device 转换。 torch.dtype 和 torch.device 是从 self.to(*args, **kwargs) 的参数推断出来的。

注意

如果 self Tensor 已经具有正确的 torch.dtype 和 torch.device，则返回 self。否则，返回的 Tensor 是 self 的副本，具有所需的 torch.dtype 和 torch.device。

注意

如果 self 需要梯度（requires_grad=True），但指定的 dtype 是整数类型，则返回的 Tensor 将隐式设置 requires_grad=False。这是因为只有具有浮点数或复数 dtype 的 Tensor 才能需要梯度。

以下是调用 to 的方式：

to(dtype, non_blocking=False, copy=False, memory_format=torch.preserve_format) → Tensor

返回一个具有指定 dtype 的 Tensor。

参数 (Args)

memory_format (torch.memory_format, optional): 返回的 Tensor 的期望内存格式。默认值：torch.preserve_format。

注意

根据 C++ 类型转换规则，将浮点值转换为整数类型时会截断小数部分。如果截断后的值无法装入目标类型（例如，将 torch.inf 转换为 torch.long），则行为未定义，结果可能因平台而异。

torch.to(device=None, dtype=None, non_blocking=False, copy=False, memory_format=torch.preserve_format) → Tensor

返回一个具有指定 device 和（可选的）dtype 的 Tensor。如果 dtype 为 None，则推断为 self.dtype。当 non_blocking 设置为 True 时，该函数会尝试与主机进行异步转换（如果可能）。这种异步行为适用于固定内存和分页内存。但使用此功能时需谨慎。有关更多信息，请参阅 关于 non_blocking 和 pin_memory 的最佳实践教程。当 copy 设置为 True 时，即使 Tensor 已满足期望的转换，也会创建一个新 Tensor。

参数 (Args)

memory_format (torch.memory_format, optional): 返回的 Tensor 的期望内存格式。默认值：torch.preserve_format。

torch.to(other, non_blocking=False, copy=False) → Tensor

返回一个与 Tensor other 具有相同 torch.dtype 和 torch.device 的 Tensor。当 non_blocking 设置为 True 时，该函数会尝试与主机进行异步转换（如果可能）。这种异步行为适用于固定内存和分页内存。但使用此功能时需谨慎。有关更多信息，请参阅 关于 non_blocking 和 pin_memory 的最佳实践教程。当 copy 设置为 True 时，即使 Tensor 已满足期望的转换，也会创建一个新 Tensor。

示例

>>> tensor = torch.randn(2, 2)  # Initially dtype=float32, device=cpu
>>> tensor.to(torch.float64)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64)

>>> cuda0 = torch.device('cuda:0')
>>> tensor.to(cuda0)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], device='cuda:0')

>>> tensor.to(cuda0, dtype=torch.float64)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64, device='cuda:0')

>>> other = torch.randn((), dtype=torch.float64, device=cuda0)
>>> tensor.to(other, non_blocking=True)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64, device='cuda:0')