Tensor的几个重要的属性/方法
先来看一个例子：
# -*- coding: utf-8 -*-
import torch as th
data = th.tensor([[1,2], [3,4]])
print(data.device) # cpu
print(data.storage()) #1.0 2.0 3.0 4.0 [torch.FloatStorage of size 4]
print(data.data_ptr()) # 2405763261376
print(data.size()) # torch.Size([2, 2])
print(data.shape) # torch.Size([2, 2])
print(data.dtype) # torch.float32
print(data.is_contiguous()) # True
print(data_t.is_contiguous()) # False
1. device：
指定了Tensor在计算机上存放的位置 （默认为CPU的RAM）
CPU/GPU切换操作：
通过tensor.to()方法实现，
data_gpu = th.tensor([[1,2], [3,4]], device='cuda') # 创建时指定存放到GPU RAM
data_gpu2 = data.to(device='cuda') # 将CPU上的Tensor拷贝到GPU上
data_gpu3 = data.to(device='cuda:0') # 多GPU,将CPU上的Tensor拷贝到指定GPU上
data2 = data_gpu2.to(device='cpu') # 将GPU上的Tensor拷贝到CPU上
简化的方式：
# tensor.cpu() == tensor.to(device='cpu')
# tensor.gpu() == tensor.to(device='cuda')
注： 一般情况下， Tensor初始加载后在CPU上， 然后将其拷贝到GPU进行运算 (得出的运算结果也在GPU上)， 运算完成后再将其拷贝到CPU上。
2. data_ptr()
返回tensor首元素的内存地址， 常用来判断两个Tensor是不是共享内存
Example：
data_t = data.t() # Transpose
print(data.data_ptr() == data_t.data_ptr()) # True
(因为Transpose操作只是改变了stride信息，data_t 和data指向同一个memory)
3. dtype
指定了Tensor的数据类型 （默认为：torch.float32）
Tensor dtype的切换：
data2 = th.ones(4, 2, dtype=th.float32) # 使用create-fucntion创建时指定dtype
data_float32 = th.tensor([[1,2], [3,4]]).double() #强行cast到指定类型
data_float32_2 = th.tensor([[1,2], [3,4]]).to(th.double) # 通过to (更加general的方法)
4. storage()
storage是任何数值数据的1D-array, storage()返回任何n-DTensor的storage (总是1D array).
Tensor与Storage之间的关系： Tensor可以堪称是某个Storage的视图View, 多个Tensor可能share同一个storage。 为了对storage进行索引需要借助一些信息：size, storage offset, 和stride ：
storage offset：storage中与相应Tensor中的第一个元素相对应的index;
stride: storage中每个维度上获取的下一个元素需要跳过的step;
size: 每个dimension的元素个数
由于在创建Tensor时， 默认的storage是按照Tensor的row展开的，总的来说：访问Tensor[i,j ]实际上就是在访问storage[storage offset+storage[0] * i + storage[1] * j ]
示意图：
注： 关于storage与Tensor必须要提的就是浅拷贝与深拷贝， 写代码时一定要清楚操作的是不是同一个storage, 否则会引起错误。如果想要深拷贝，可以使用clone方法， 如下：
data_clone = data.clone()
print(data.data_ptr == data_clone.data_ptr) # False
5. is_contiguous()
判断Tensor按行展开后的顺序与其storage的顺序是否一致
之前在创建Tensor时， 默认的storage是按照Tensor的row展开的，但是一些操作（如，transpose）会改变Tensor，这就会导致当前Tensor按行展开后的顺序与原始的storage不一致。不一致的话，在使用view等操作时会报错。
如何如何让不一致变为一致呢？（即data_t的is_contiguous()返回True）
data_t_contig = data_t.contiguous()
print(data_t_contig.is_contiguous())
print(data_t_contig.storage())
print(data.data_ptr == data_t_contig.data_ptr)
Output:
可以看到data_t_contig 的is_contiguous()==true, contiguous()方法会导致重新分配memory.
Tensor的操作/manipulation
可以向操作ndarray一样操作Tensor, 因为Tensor完全支持高级检索。 特别值得一提的是掩码技巧mask的使用。
# -*- coding: utf-8 -*-
import numpy as np
import torch as th
data = th.tensor([[1, 2, 3], [4, 5, 6]])
print(data[0] == data[0, :])
print(data[:, 1])
print(data[:, :-1])
mask = np.array([1, 0, 1], dtype=bool)
print(data[:, mask])
Output:
常用的API
Transpose:
data_t = data.transpose(0, 1)
data_t2 = th.transpose(data, 0, 1)
print(data_t.shape, data_t.shape == data_t2.shape)
output:
注： 调用这些API有两种方式：
（1）torch模块下调用相应方式
（2）作为具体Tensor object的一个方法来调用
Tensor的数据结构
至此，相信对Tensor的结构应该有所了解，如下图：
tensor的结构分为头信息区(Tensor)和存储区(Storage)，其中：
(1) 信息区主要保存着：tensor的形状（size）、维度（nDimension）、数据类型（type）、步长（stride）、偏移（storageOffset）等信息，因此信息区元素占用内存较少。
(2) 真正的数据则保存成连续数组，位于存储区（即CPU的RAM或者GPU RAM）， 主要内存占用则取决于tensor中元素的数目，也即存储区的大小。
总结
有时间再续吧。。。。。
References
1.https://blog.csdn.net/ZongXS/article/details/105680541
转载：https://blog.csdn.net/QKK612501/article/details/115829190