Python|神经网络框架torch包[1]

torch包主要是用于多维张量的数据结构和用于张量的数学操作。除此之外，还提供了许多用于张量有效序列化和任意类型的工具，还有一些其他相关的工具。

torch还有一个cuda的版本，如果NVIDIA的算力>=3.0，就可以使用。

张量

1. torch.is_tensor(obj)->bool 返回对象是否为pytorch的张量。输入参数obj是需要判断的对象。
2. torch.is_storage(obj)->bool 返回对象是否为pytorch的存储对象。输入参数obj是需要判断的对象。
3. torch.is_comlplex(input)->bool 返回输入数是否为复数，pytorch的复数类型有torch.complex64和torch.complex128。输入参数input是pytorch的张量。
4. torch.isfloatingpoint(input)->bool 返回输入数是否为浮点数，pytorch的浮点数类型有torch.float64，torch.float32和torch.float16。输入参数input是pytorch的张量。
5. torch.setdefaultdtypr(d) 把默认的浮点数类型设置为d，torch.tensor()默认使用d类型。在一开始，d的类型是torch.float32。d是torch.dtype中的值。

例子：

>>> torch.tensor([1.2, 3]).dtype           # 初始化默认类型为float32
>>> torch.set_default_dtype(torch.float64)
>>> torch.tensor([1.2, 3]).dtype           # 默认新的浮点类型float64
torch.float64

1. torch.getdefaultdtype()->torch.dtype 返回当前的默认浮点类型。

例子：

>>> torch.get_default_dtype()  # 初始默认浮点类型float32
torch.float32
>>> torch.set_default_dtype(torch.float64)
>>> torch.get_default_dtype()  # 现在默认改为float64
torch.float64
>>> torch.set_default_tensor_type(torch.FloatTensor)  # 设置张量类型也会影响torch.FloatTensor
>>> torch.get_default_dtype()  # 现在默认float32
torch.FloatTensor
torch.float32

1. torch.setdefaulttensor_type(t) 输入参数t为张量数据的浮点类型。用于设置张量数据的默认类型。
2. torch.numel(input)->int，输入input为张量形式。返回int，为元素的总数。例子：

>>> a = torch.randn(1, 2, 3, 4, 5)
>>> torch.numel(a)
120
>>> a = torch.zeros(4,4)
>>> torch.numel(a)
16

1. torch.setprintoptions(precision=None, threshold=None, edgeitems=None, linewidth=None, profile=None, scimode=None) 设置打印的参数。

参数：

• precision：浮点数输出的精度，默认4
• threshold：超过数目则只打印数组的总览，默认1000
• edgeitems：总览打印时每个维度开始与结束时打印的数目，默认3
• linewidth：行宽，指一行打印的数目，默认80，当指打印总览的时候无效
• profile：默认Sane，格式输出的样式
• sci_mode：是否启用科学计数法，bool类型。默认None

1. torch.setflushdenormal(mode)->bool 禁用在cpu进行异常的浮点运算，如果系统支持冲洗异常数，返回True。setflushdenormal()仅在x86架构支持SSE3。输入mode参数为bool。例子：

>>> torch.set_flush_denormal(True)
True
>>> torch.tensor([1e-323], dtype=torch.float64)
tensor([ 0.], dtype=torch.float64)
>>> torch.set_flush_denormal(False)
True
>>> torch.tensor([1e-323], dtype=torch.float64)
tensor(9.88131e-324 * 
      [ 1.0000], dtype=torch.float64)