libtorch tensor的使用

1. 新建tensor 

注意：

在pytorch中，类中的函数采用  .  方式调用 ；采用  [a, b]  方式定义tensor维度 ；

在libtorch中，类中的函数采用  ::  方式调用 ；采用  {a, b}  方式定义tensor维度 ；

无论是啥样子的 用于新建 tensor 的函数 都满足这样的组成：

torch::(, , )

1. ：

 就是 新建各种常见类型tensor的函数名字，例如ones()函数用于建立一个全一的tensor

常见的 建立 tensor 的函数如下：（新建 tensor 的函数 被称作 Factory Function）

 

2.  :

见名知意：是特定于函数的参数：对于一些Factory Function ,需要一些特殊指定的参数 

例如：torch::randint() 函数

torch::Tensor tensor = torch::randint(/*low=*/3, /*high=*/10, {5, 5});

PS ：内联注释 /*low=*/ 和 /*high=*/ 不是必需的，但它有助于提高可读性，就像 Python 中的关键字参数一样。这两个数值表示tensor中元素的值的上下界 ：[3, 10] 

【注】由名字也可知道，这些参数的选择、内容、和是否有default值都是和Factory Function 相关的

3.  ：

这个  参数用于表示tensor的维度 ：它是一个 IntArrayRef 类型的对象

因此，通过 tensor.sizes()   获取tensor的维度，返回的是一个 IntArrayRef 类型的对象，特可以直接输出，也可以用一个 IntArrayRef 类型的变量承接后再输出

#include
#include

using namespace std;

int main()
{

    torch::Tensor a = torch::rand( {5,6} );
    cout<

4.   ：

用于表示tensor中内容的一些properties，即：  指明正在创建的张量的数据类型（例如 float32 或 int64），或者tensor 是否存在于 CPU 或 GPU 内存中。

tensor 实例中的内容的属性，由一个 名为 TensorOptions 的类型对应的实例来指明 ：

我们可以简单理解 TensorOptions  类封装了 一个用于指定 tensor属性的东西（construction axes）

TensorOptions  类有四个参数：dtype , layout , device , requires_grad

含义分别如下：

dtype，它控制存储在张量中的元素的数据类型；

layout，用于指明 tensor 是 密集的 或 稀疏的；

device，表示存储张量的计算设备（如 CPU 或 CUDA GPU）；

requires_grad，取值为一个布尔值，用于启用或禁用张量的梯度记录；

并有如下取值：

 使用方式如下：

auto options =
  torch::TensorOptions()
    .dtype(torch::kFloat32)
    .layout(torch::kStrided)
    .device(torch::kCUDA, 1)
    .requires_grad(true);

torch::Tensor tensor = torch::full({3, 4}, /*value=*/123, options);

同时，由于TensorOptions 类的四个参数都有各自的default值（），并且根据 libtorch提供的语法糖，如下的几种简写方式都是合理的：

torch::ones(10, torch::TensorOptions().dtype(torch::kFloat32).layout(torch::kStrided))

//如果就只需要指定一个特别的参数：
torch::ones(10, torch::dtype(torch::kFloat32))
//如果需要指定多个参数：[使用 . 连接]
//.device(torch::kCUDA, 1) 这是有多个GPU的情况，指定是在使用哪个GPU
torch::randn({3, 4}, torch::dtype(torch::kFloat32).device(torch::kCUDA, 1).requires_grad(true))

2. tensor将其 内容（元素）属性 进行修改 ：

正如我们可以使用 TensorOptions 来配置应该如何创建新张量一样，我们也可以使用 TensorOptions 将张量从tensor的内容属性转换为另一个新属性。

注意，这种转换不是in-place转换，即：具有新属性的tensor和之前的旧tensor不在一块内存上

转换方式如下：

（1）将tensor从 CPU 内存移动到 GPU 内存：

torch::Tensor gpu_tensor = float_tensor.to(torch::kCUDA);

如果您有多个可用的 CUDA 设备，上述代码会将张量复制到默认的 CUDA 设备，您可以使用 torch::DeviceGuard 对其进行配置。将代码修改为下述（将tensor移动到 id为 1 的GPU上）：

torch::Tensor gpu_two_tensor = float_tensor.to(torch::Device(torch::kCUDA, 1));

【注意】对于GPU和CPU之间的数据传输，.to()函数还有个参数 non_blocking ：我们还可以通过将 /*non_blocking=*/false 作为最后一个参数传递给 to() 来将内存复制配置为异步

下述代码例子是：设置tensor移动是同步（/*non_blocking=*/true）

torch::Tensor async_cpu_tensor = gpu_tensor.to(torch::kCPU, /*non_blocking=*/true);

  @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@

总言之：

#include
#include

using namespace std;

int main()
{
    //新建tensor -----------------------------------------------------------------------------------

    // (1)新建一个tensor，给出大小但是并不赋值，此时该tensor中的值就是原来内存对应存放的值
    torch::Tensor a = torch::empty( {2,3} );
    cout<

2. tensor 的数据类型：

当我们输出一个tensor时，会看到有这样的属性：

很显然这表示是一个存放在CPU上的tensor，这个tensor的数据类型是FloatType(对应于C++中的float类型)，而{5, 6}则表示这个tensor的维度是[5, 6] 

2.1 tensor中元素的数据类型 与 C++ 中数据类型的对应关系：

 想对tensor中数据进行处理：

tensor中元素的读取和修改：

#include
#include

using namespace std;

int main()
{

    
    // 新建rand tensor :
    torch::Tensor a = torch::rand( {5,6} );
    cout<();  
    cout<

---

ref:

官方文档：【整理完了】

tensor的构造和新建tensor的参数含义：

Tensor Creation API — PyTorch master documentation

---

【以下的没整理完】

libtorch (pytorch c++) 教程（一） - 知乎       [它的教程目录]

c++ 部署libtorch时常用操作API_alex1801的博客-CSDN博客

libtorch Tensor张量的常用操作总结(1)_萌萌哒程序猴的博客-CSDN博客 

libtorch Tensor张量的常用操作总结(2)_萌萌哒程序猴的博客-CSDN博客_libtorch tensor赋值