张量属性

创建于：2018年4月21日 | 最后更新于：2025年4月9日

每个 torch.Tensor 都具有 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

数据类型	dtype	旧版构造函数
32位浮点	torch.float32 或 torch.float	torch.*.FloatTensor
64位浮点	torch.float64 或 torch.double	torch.*.DoubleTensor
32位复数	torch.complex32 或 torch.chalf
64位复数	torch.complex64 或 torch.cfloat
128位复数	torch.complex128 或 torch.cdouble
16位浮点 1	torch.float16 或 torch.half	torch.*.HalfTensor
16位浮点 2	torch.bfloat16	torch.*.BFloat16Tensor
8位整数（无符号）	torch.uint8	torch.*.ByteTensor
8位整数（有符号）	torch.int8	torch.*.CharTensor
16位整数（有符号）	torch.int16 或 torch.short	torch.*.ShortTensor
32位整数（有符号）	torch.int32 或 torch.int	torch.*.IntTensor
64位整数（有符号）	torch.int64 或 torch.long	torch.*.LongTensor
布尔型	torch.bool	torch.*.BoolTensor

1

有时被称为 binary16：使用1个符号位、5个指数位和10个有效位。当精度重要时很有用。

2

有时被称为 Brain Floating Point：使用1个符号位、8个指数位和7个有效位。当范围重要时很有用，因为它与 float32 具有相同数量的指数位。

要判断一个 torch.dtype 是否是浮点数据类型，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。

要判断一个 torch.dtype 是否是复数数据类型，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）的输入数据类型不同时，我们通过找到满足以下规则的最小数据类型进行提升：

• 如果标量操作数的类型比张量操作数高（其中复数 > 浮点 > 整数 > 布尔），我们将其提升为具有足够大小的类型以容纳该类别所有标量操作数。

• 如果零维张量操作数比带维度的操作数高，我们将其提升为具有足够大小和类别以容纳该类别所有零维张量操作数的类型。

• 如果没有更高类别的零维操作数，我们将其提升为具有足够大小和类别以容纳所有带维度操作数的类型。

浮点标量操作数具有 dtype torch.get_default_dtype()，整数非布尔标量操作数具有 dtype torch.int64。与 numpy 不同，我们不检查值来确定操作数的最小 dtypes。量化和复数类型尚不支持。

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

当算术运算的输出张量被指定时，我们允许将其转换为其 dtype，但以下情况除外：

• 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 是一个表示 torch.Tensor 所在或将要分配的设备的对象。

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”）以及可选的设备序号。如果设备序号不存在，该对象将始终表示该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。

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

一个 torch.device 可以通过字符串或字符串和设备序号来构造。

通过字符串

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

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

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

>>> torch.device('cuda')  # current cuda device
device(type='cuda')

通过字符串和设备序号

>>> 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)

设备对象也可以用作上下文管理器，以更改张量分配的默认设备。

>>> 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非 None 设备参数，此上下文管理器无效。要全局更改默认设备，另请参阅 torch.set_default_device()。

警告

此函数对每次调用 torch API 的 Python 调用（不仅仅是工厂函数）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 上评论。

注意

函数中的 torch.device 参数通常可以用字符串代替。这允许代码快速原型化。

>>> # 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

出于历史原因，设备可以通过单个设备序号构造，这被视为当前 加速器 类型。这与 Tensor.get_device() 匹配，后者返回设备张量的序号，并且不支持 CPU 张量。

>>> torch.device(1)
device(type='cuda', index=1)

注意

接受设备的函数通常会接受（格式正确的）字符串或（旧版）整数设备序号，即以下所有等效：

>>> torch.randn((2,3), device=torch.device('cuda:1'))
>>> torch.randn((2,3), device='cuda:1')
>>> torch.randn((2,3), device=1)  # legacy

注意

张量绝不会在设备之间自动移动，需要用户显式调用。只有标量张量（tensor.dim()==0）是此规则的例外，它们在需要时会自动从 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，可能会发生变化。

一个 torch.layout 是一个表示 torch.Tensor 内存布局的对象。目前，我们支持 torch.strided（密集张量）并对 torch.sparse_coo（稀疏 COO 张量）提供 Beta 支持。

torch.strided 表示密集张量，是最常用的内存布局。每个步长张量都有一个关联的 torch.Storage，用于保存其数据。这些张量提供存储的多维步长视图。步长是一个整数列表：第 k 个步长表示在张量的第 k 维中从一个元素到下一个元素所需的内存跳转。这个概念使得许多张量操作能够高效执行。

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 所分配或将要分配的内存格式。

可能的值包括

• torch.contiguous_format：张量被分配或将分配在连续的非重叠内存中。步长按递减顺序表示。

• torch.channels_last：张量被分配或将分配在连续的非重叠内存中。步长按 strides[0] > strides[2] > strides[3] > strides[1] == 1（即 NHWC 顺序）表示。

• torch.channels_last_3d：张量被分配或将分配在连续的非重叠内存中。步长按 strides[0] > strides[2] > strides[3] > strides[4] > strides[1] == 1（即 NDHWC 顺序）表示。

• torch.preserve_format：在 clone 等函数中使用，以保留输入张量的内存格式。如果输入张量分配在连续的非重叠内存中，则输出张量的步长将从输入复制。否则，输出步长将遵循 torch.contiguous_format。