torch.is_tensor

torch.is_tensor(obj)

如果obj是tensor的话返回true，否则返回false。

对应的另一个方法是:

isinstance(obj, Tensor)

注意，torch.is_tensor(obj)是torch的一个方法，而isinstance(obj, Tensor)是python自带的一个方法，这两个是等价的。当然isinstance(obj, type)这个方法可以检查任何类型，如果检查出obj是type类型返回true，否则返回false。

isinstance(obj, Tensor)这种方法更适合于静态检查（例如更适合mypy等静态检查工具进行检查）并且也更加直观（这个倒是我觉得两个方法都挺直观的），所以更推荐使用isinstance(obj, Tensor)这种方法。

torch.is_storage

torch.is_storage(obj)

测试obj是不是storage类型，如果是的话就返回True，否则返回False。

什么是Storage？
  Storage类型是pytorch中的一个类型，它与tensor是对应的。
tensor 分为头信息区(Tensor)和存储区(Storage)。

信息区(Tensor)主要存储tensor的形状(size)、步长(stride)、数据类型(type)等信息，其真正的数据保存为连续数组，存储在存储区(Storage)中。

一般来说pytorch中tensor的数据很大，可能是成千上万的，所以我们信息区(Tensor)一般来说占用的内存比较少，主要内存的占用取决于tensor中元素的数目，也就是存储区(Storage)的大小。

torch.set_default_tensor_type(t)

torch.set_default_tensor_type(t)

这个方法的意思是设置pytorch中默认的浮点类型，一般使用pytorch进行运算时候使用的都是浮点数来进行计算，所以设置默认浮点数有时候也很重要。

虽然这个方法和曾经的torch.set_default_dtype(d)确实功能很相似，但是实际上今天介绍的这个方法更强大一些(注意两个方法都只可以设置浮点数的默认类型，不可以设置整型的默认类型)。当然这个方法使用后也可以使用torch.get_default_dtype()来获取设置的默认浮点类型。

Tensor有不同的数据类型，每种类型分别有对应CPU和GPU版本（HalfTensor除外）。默认的Tensor是FloatTensor，可通过torch.set_default_tensor_type修改默认tensor类型（如果默认类型为GPU tensor，则所有操作都将在GPU上进行），HalfTensor是专门为GPU设计的，相同元素个数使用的空间更少，解决显存不足的问题，但是由于精度不足可能会出现溢出的问题。

pytorch中可用的浮点类型

image.png

import torch
torch.set_default_tensor_type(torch.cuda.DoubleTensor)
a = torch.tensor([2., 3])
print(a.dtype,a.device)

torch.numel

torch.numel(input)->int

numel就是"number of elements"的简写。numel()可以直接返回int类型的元素个数

import torch
a = torch.randn(1, 2, 3, 4)
b = a.numel()
print(type(b)) #int
print(b) #24

torch.set_printoptions

torch.set_printoptions(precision=None, threshold=None, edgeitems=None, linewidth=None, profile=None)

precision是每一个元素的输出精度，默认是八位；
threshold是输出时的阈值，当tensor中元素的个数大于该值时，进行缩略输出，默认时1000；
edgeitems是输出的维度，默认是3；
linewidth字面意思，每一行输出的长度；
profile– pretty打印的完全默认值。 可以覆盖上述所有选项 (默认为short, full)