张量的属性
本章目标：掌握查看和理解张量属性的方法
shape：查看张量的形状
shape是张量最重要的属性之一，表示张量在各个维度上的大小。
# 创建不同形状的张量
vec = torch.tensor([1, 2, 3])
matrix = torch.randn(3, 4)
tensor_3d = torch.randn(2, 3, 4)
tensor_4d = torch.randn(5, 2, 3, 4)
print(vec.shape) # torch.Size([3])
print(matrix.shape) # torch.Size([3, 4])
print(tensor_3d.shape) # torch.Size([2, 3, 4])
print(tensor_4d.shape) # torch.Size([5, 2, 3, 4])深度学习中张量形状的约定：
| 数据类型 | 形状 | 含义 |
|---|---|---|
| 图像数据 | (N, C, H, W) |
批量大小N，通道C，高H，宽W |
| 文本数据 | (N, L) |
批量N，序列长度L |
| 文本embedding | (N, L, D) |
批量N，长度L，维度D |
| 批量矩阵 | (N, M) |
批量N，特征M |
示例：
# 32张RGB图像，每张224x224
images = torch.randn(32, 3, 224, 224)
print(images.shape) # torch.Size([32, 3, 224, 224])
# N=32（32张图）, C=3（RGB三通道）, H=224, W=224调试技巧：当形状不匹配时，PyTorch会抛出错误。理解每个张量在各维度的含义是调试神经网络的基础。
dtype：查看张量的数据类型
dtype表示张量中元素的数据类型。不同的数据类型占用不同的内存，也影响计算的精度和速度。
# 查看张量的数据类型
int_tensor = torch.tensor([1, 2, 3])
float_tensor = torch.tensor([1.0, 2.0, 3.0])
bool_tensor = torch.tensor([True, False, True])
print(int_tensor.dtype) # torch.int64
print(float_tensor.dtype) # torch.float32
print(bool_tensor.dtype) # torch.bool常用数据类型速查表：
| dtype | 名称 | 用途 |
|---|---|---|
torch.float32 / torch.float |
32位浮点 | 默认类型，训练常用 |
torch.float64 / torch.double |
64位浮点 | 高精度计算 |
torch.float16 / torch.half |
16位浮点 | GPU加速、混合精度训练 |
torch.int32 |
32位整数 | 通用整数 |
torch.int64 / torch.long |
64位整数 | 索引、大整数 |
torch.int8 |
8位整数 | 量化 |
torch.uint8 |
无符号8位整数 | 图像像素（0-255） |
torch.bool |
布尔 | 条件判断 |
实践建议：训练时通常使用float32，推理时可用float16加速，处理图像时用uint8。
device：查看张量存储的设备
device表示张量存储的设备，可以是CPU或GPU。
# 查看张量所在的设备
cpu_tensor = torch.randn(3, 4)
print(cpu_tensor.device) # cpu
# 尝试移动到GPU（如果有GPU的话）
if torch.cuda.is_available():
gpu_tensor = cpu_tensor.cuda() # 或 cpu_tensor.to('cuda')
print(gpu_tensor.device) # cuda:0设备处理最佳实践：
# 推荐的设备处理方式
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
x = torch.randn(3, 4, device=device)
model = MyModel().to(device)
# 数据也需要移到相同设备
data = data.to(device)