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内容请搜索软件开发网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软件开发网！
您可能感兴趣的文章:pytorch查看torch.Tensor和model是否在CUDA上的实例
