Deep-Learning-with-PyTorch-3.5 张

3.5 张量元素类型

到目前为止，我们已经介绍了张量如何工作的基础知识，但是我们还没有涉及可以在Tensor中存储哪些类型的数字类型。 正如我们在3.2节中所暗示的那样，使用标准Python数字类型可能不是最优的，原因有以下几种：

1、Python中的数字是对象。 例如，在浮点数可能只需要在计算机上表示32位的情况下，Python会将其转换为具有引用计数的完整Python对象，依此类推。 如果我们需要存储少量数字，则这种称为装箱的操作就不成问题，但是分配数百万则效率很低。

2、Python中的列表用于对象的顺序集合。 没有定义用于有效地将两个向量的点积或向量求和在一起的操作。 同样，Python列表无法优化其内容在内存中的布局，因为它们是指向Python对象（任何类型，而不仅仅是数字）的可索引指针集合。 最后，Python列表是一维的，尽管我们可以创建列表列表，但效率仍然很低。

3、与经过优化的编译后的代码相比，Python解释器的速度较慢。 使用以编译的，低级语言（例如C）编写的优化代码，对大量数值数据执行数学运算可以更快。

由于这些原因，数据科学库依赖于NumPy或引入专用数据结构（例如PyTorch张量），这些数据结构提供了方便的高级API封装的数字数据结构及其相关操作的高效低层实现。 为此，张量内的对象必须全部是相同类型的数字，并且PyTorch必须跟踪此数字类型。