Skip to content

torch存储

原文： https://pytorch.org/docs/stable/storage.html

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¶

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 或 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。

回到顶部