pytorch--之halfTensor的使用详解
证明出错在dataloader里面
在pytorch当中,float16和half是一样的数据结构,都是属于half操作,
然后dataloader不能返回half值,所以在dataloader里面,要把float16改成float32即可返回
补充:pytorch中tensor常用操作归纳
对常用的一些tensor的常用操作进行简单归纳,方便日后查询。后续有用到再补充。
1、创建tensor
import torch #经典方式 device = torch.device("cuda:0") x = torch.tensor([1,2],dtype = torch.float32,device = device,requires_grad=true) w = sum(2 * x) w.backward() print(x.device) print(x.dtype) print(x.grad) #tensor y = torch.tensor([1,2,3]) #等价于 y = torch.floattensor([1,2,3])#32位浮点型 #后者声明打开梯度 y.requires_grad = true #还有其他类型,常用的 torch.longtensor(2,3) torch.shorttensor(2,3) torch.inttensor(2,3) w = sum(2 * y) w.backward() print(y.grad) print(y.dtype)
输出:
cuda:0
torch.float32
tensor([2., 2.], device='cuda:0')
tensor([2., 2., 2.])
torch.float32
和numpy类似的创建方法
x = torch.linspace(1,10,10,dtype = torch.float32,requires_grad = true) y = torch.ones(10) z = torch.zeros((2,4)) w = torch.randn((2,3))#从标准正态分布(均值为0,方差为1)上随机采用,高斯噪声点,而rand相当于在0,1间随机采样 #torch.normal()???? print(x) print(y) print(z) print(w)
输出
tensor([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.], requires_grad=true)
tensor([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
tensor([[0., 0., 0., 0.],
[0., 0., 0., 0.]])
tensor([[-0.6505, 1.3897, 2.2265],
[-1.7815, -1.8194, -0.4143]])
从numpy转换
np_data = np.arange(2,13,2).reshape((2,3)) torch_data = torch.from_numpy(np_data)#numpy转tensor print('\nnumpy',np_data) print('\ntorch',torch_data)
输出
numpy [[ 2 4 6]
[ 8 10 12]]torch tensor([[ 2, 4, 6],
[ 8, 10, 12]], dtype=torch.int32)
2、组合
import torch x = torch.arange(0,10,1).reshape(2,-1)#size=(2,5) y = torch.ones(10).reshape(2,-1)#size=(2,5) print(x) print(y) w = torch.cat((x,y),dim = 0)#默认从size最左边开始,这里结果为:(2+2,5) z = torch.cat((x,y),dim = 1)#(2,5+5) print(w,w.size()) print(z,z.size()) #还有种stack()
输出:
tensor([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
tensor([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
tensor([[0., 1., 2., 3., 4.],
[5., 6., 7., 8., 9.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]]) torch.size([4, 5])
tensor([[0., 1., 2., 3., 4., 1., 1., 1., 1., 1.],
[5., 6., 7., 8., 9., 1., 1., 1., 1., 1.]]) torch.size([2, 10])
3、数据类型转换
法一
x = torch.rand((2,2),dtype = torch.float32) print(x.dtype) x = x.double() print(x.dtype) x = x.int() print(x)
输出:
torch.float32
torch.float64
tensor([[0, 0],
[0, 0]], dtype=torch.int32)
法二
x = torch.longtensor((2,2)) print(x.dtype) x = x.type(torch.float32) print(x.dtype)
输出:
torch.int64
torch.float32
4、矩阵计算
x = torch.arange(0,4,1).reshape(2,-1) print(x) print(x * x )#直接相乘 print(torch.mm(x,x))#矩阵乘法 print(x + 1)#广播 print(x.numpy())#转换成numpy
输出:
tensor([[0, 1],
[2, 3]])
tensor([[0, 1],
[4, 9]])
tensor([[ 2, 3],
[ 6, 11]])
tensor([[1, 2],
[3, 4]])
[[0 1]
[2 3]]
5、维度变化
主要是对维度大小为1的升降维操作。
torch.squeeze(input)#去掉维度为1的维数 torch.unsqueeze(input,dim)#指定位置增加一维
以上为个人经验,希望能给大家一个参考,也希望大家多多支持。