torch.Tensor.to

Tensor.to(*args, **kwargs) → Tensor

執行 Tensor 的 dtype 和/或 device 轉換。 torch.dtype 和 torch.device 是從 self.to(*args, **kwargs) 的引數推斷出來的。

注意

如果 self Tensor 已經具有正確的 torch.dtype 和 torch.device，則返回 self。否則，返回的 Tensor 是 self 的副本，具有所需的 torch.dtype 和 torch.device。

注意

如果 self 需要梯度（requires_grad=True），但指定的 dtype 是整數型別，則返回的 Tensor 將隱式設定 requires_grad=False。這是因為只有具有浮點數或複數 dtype 的 Tensor 才能需要梯度。

以下是呼叫 to 的方式：

to(dtype, non_blocking=False, copy=False, memory_format=torch.preserve_format) → Tensor

返回一個具有指定 dtype 的 Tensor。

引數 (Args)

memory_format (torch.memory_format, optional): 返回的 Tensor 的期望記憶體格式。預設值：torch.preserve_format。

注意

根據 C++ 型別轉換規則，將浮點值轉換為整數型別時會截斷小數部分。如果截斷後的值無法裝入目標型別（例如，將 torch.inf 轉換為 torch.long），則行為未定義，結果可能因平臺而異。

torch.to(device=None, dtype=None, non_blocking=False, copy=False, memory_format=torch.preserve_format) → Tensor

返回一個具有指定 device 和（可選的）dtype 的 Tensor。如果 dtype 為 None，則推斷為 self.dtype。當 non_blocking 設定為 True 時，該函式會嘗試與主機進行非同步轉換（如果可能）。這種非同步行為適用於固定記憶體和分頁記憶體。但使用此功能時需謹慎。有關更多資訊，請參閱 關於 non_blocking 和 pin_memory 的最佳實踐教程。當 copy 設定為 True 時，即使 Tensor 已滿足期望的轉換，也會建立一個新 Tensor。

引數 (Args)

memory_format (torch.memory_format, optional): 返回的 Tensor 的期望記憶體格式。預設值：torch.preserve_format。

torch.to(other, non_blocking=False, copy=False) → Tensor

返回一個與 Tensor other 具有相同 torch.dtype 和 torch.device 的 Tensor。當 non_blocking 設定為 True 時，該函式會嘗試與主機進行非同步轉換（如果可能）。這種非同步行為適用於固定記憶體和分頁記憶體。但使用此功能時需謹慎。有關更多資訊，請參閱 關於 non_blocking 和 pin_memory 的最佳實踐教程。當 copy 設定為 True 時，即使 Tensor 已滿足期望的轉換，也會建立一個新 Tensor。

示例

>>> tensor = torch.randn(2, 2)  # Initially dtype=float32, device=cpu
>>> tensor.to(torch.float64)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64)

>>> cuda0 = torch.device('cuda:0')
>>> tensor.to(cuda0)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], device='cuda:0')

>>> tensor.to(cuda0, dtype=torch.float64)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64, device='cuda:0')

>>> other = torch.randn((), dtype=torch.float64, device=cuda0)
>>> tensor.to(other, non_blocking=True)
tensor([[-0.5044,  0.0005],
        [ 0.3310, -0.0584]], dtype=torch.float64, device='cuda:0')