Deep learning 张量（1.0）.item（）vs float（张量（1.0））

如果

x

是一个torch.dtype torch.float的torch.Tensor，那么操作

x.item（）

和

float（x）

是完全相同的吗？

操作

x.item（）

和

float（x）

是不同的

从item（）的中，可以使用它获取作为Python编号的张量值（仅从包含单个值的张量中获取）。它基本上返回张量的值。它不会对张量做任何修改

其中as

float（）

用于在可能的情况下将其输入转换为浮点数。查找文档

看到差异，考虑另一个张量Y型dIn 64：

import torch

y = torch.tensor(2)
print(y, y.dtype)
>>> tensor(2) torch.int64

print('y.item(): {}, float(y): {}'.format(y.item(), float(y)))
>>> y.item(): 2, float(y): 2.0

print(type(y.item()), type(float(y)))
>>> <class 'int'> <class 'float'>

我们可以看到

z

不是

torch.Tensor

。它只是一个浮点数

不要将

float（）

操作与

self.float（）

混淆。这将执行张量数据类型转换（未到位，需要赋值）

z = float(y)
print('y.dtype: {}, type(z): {}'.format(y.dtype, type(z)))
>>> y.dtype: torch.int64, type(z): <class 'float'>

print('y.float(): {},\n y.float().dtype: {},\n y: {},\n y.dtype'.format(y.float(), y.float().dtype, y, y.dtype))

y.float(): 2.0,
y.float().dtype: torch.float32,
y: 2,
y.dtype: torch.int64