PyTorch torch存储

2022-04-15 15:06 更新

原文:PyTorch torch存储

torch.Storage是单个数据类型的连续一维数组。

每个 torch.Tensor 都有对应的相同数据类型的存储。

class torch.FloatStorage( * args , ** kwargs )

bfloat16()

将此存储空间转换为 bfloat16 类型

bool()

将此存储转换为布尔型

byte()

将此存储空间转换为字节类型

char()

将此存储空间转换为 char 类型

clone()

返回此存储的副本

copy_()

cpu()

返回此存储的 CPU 副本(如果尚未在 CPU 上)

cuda(device=None, non_blocking=False, **kwargs)

返回此对象在 CUDA 内存中的副本。

如果此对象已经在 CUDA 内存中并且在正确的设备上,则不执行任何复制,并返回原始对象。

参数

  • 设备 (python:int )–目标 GPU ID。 默认为当前设备。
  • non_blocking (bool )–如果True并且源位于固定内存中,则副本将相对于主机是异步的。 否则,该参数无效。
  • \ –为兼容起见,可以包含键async来代替non_blocking参数。

data_ptr()


device

double()

将此存储空间转换为双精度类型

dtype

element_size()

fill_()

float()

将此存储转换为浮动类型

static from_buffer()

static from_file(filename, shared=False, size=0) → Storage

如果共享的<cite>为<cite>为</cite>,则在所有进程之间共享内存。 所有更改都将写入文件。 如果<cite>共享的</cite>为<cite>假</cite>,则存储上的更改不会影响该文件。</cite>

<cite>大小</cite>是存储中元素的数量。 如果<cite>共享的</cite>为<cite>假</cite>,则文件必须至少包含 <cite>size * sizeof(Type)</cite>个字节 (<cite>Type</cite> 是存储类型 )。 如果<cite>共享的</cite>为 <cite>True</cite> ,则将根据需要创建文件。

Parameters

  • 文件名 (str )–要映射的文件名
  • 共享的 (bool )–是否共享内存
  • 大小 (python:int )–存储中的元素数

half()

将此存储空间转换为一半类型

int()

将此存储空间转换为 int 类型

is_cuda = False

is_pinned()

is_shared()

is_sparse = False

long()

将此存储空间转换为长型

new()

pin_memory()

将存储复制到固定的内存(如果尚未固定)。

resize_()

share_memory_()

将存储移动到共享内存。

对于共享内存中已存在的存储和 CUDA 存储(对于跨进程共享无需移动的 CUDA 存储),此操作不起作用。 共享内存中的存储无法调整大小。

返回:自我

short()

将此存储空间转换为短型

size()

tolist()

返回包含此存储元素的列表

type(dtype=None, non_blocking=False, **kwargs)

如果未提供 <cite>dtype</cite> ,则返回类型,否则将该对象强制转换为指定的类型。

如果它已经是正确的类型,则不执行任何复制,并返回原始对象。

Parameters

  • dtype (python:type 字符串)–所需类型
  • non_blocking (bool )–如果True,并且源位于固定内存中,而目标位于 GPU 上,反之亦然,则相对于主机异步执行复制。 否则,该参数无效。
  • \ –为兼容起见,可以包含键async来代替non_blocking参数。 不推荐使用async arg。
以上内容是否对您有帮助:
在线笔记
App下载
App下载

扫描二维码

下载编程狮App

公众号
微信公众号

编程狮公众号