PyTorch中torch.tensor与torch.Tensor的区别详解
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~
到此这篇关于PyTorch中torch.tensor与torch.Tensor的区别详解的文章就介绍到这了,更多相关PyTorch中torch.tensor与torch.Tensor内容请搜索ZaLou.Cn以前的文章或继续浏览下面的相关文章希望大家以后多多支持ZaLou.Cn！
腾讯云开发者
