这篇文章主要为大家展示了PyTorch中torch.tensor和torch.Tensor有什么区别，内容简而易懂，希望大家可以学习一下，学习完之后肯定会有收获的，下面让小编带大家一起来看看吧。
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~
以上就是关于PyTorch中torch.tensor和torch.Tensor有什么区别的内容，如果你们有学习到知识或者技能，可以把它分享出去让更多的人看到。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
