Pytorch 始终使用torch.tensor或torch.FLOTTENSOR安全吗？还是我需要小心治疗Ints？

我试图理解

张量、FloatTensor、IntTensor

之间的区别，我想知道我是否可以始终坚持

张量

。。。或者可能是

FloatTensor

我将使用不同张量的混合，将：

{integers:labels, floats:continuous, one-hot-encoded:categoricals}

我是否需要显式地将每种变量设置为不同类型的张量？它们都会像浮子一样工作吗？他们会联合工作吗

---

这会给我带来麻烦吗

l_o_l = [[1,2,3],[1,2,3],[1,2,3]]

int_tnz = th.FloatTensor(l_o_l)
int_tnz

张量（[[1,2,3.]， [1., 2., 3.], [1,2,3.]]

火炬32

---

张量（[[1.1000,2.2000,3.3000]， [1.1000, 2.2000, 3.3000], [1.1000,2.2000,3.3000]]

---

torch.float32

交叉权限

（或

nlloss

）预期

目标

类型为

长

。例如，下面的代码会引发

运行时错误

：

import torch.nn
标准=torch.nn.CrossEntropyLoss（）
预测=火炬.rand（10,10，数据类型=火炬.float）
目标=torch.rand（10）#到（torch.long）
标准（预测、目标）
#RuntimeError:标量类型应为Long，但找到Float

您需要取消对转换的注释以使其工作。我想不出更大的问题了，但是为什么要首先把整数转换成浮点呢

---

关于

torch.tensor

和

torch.FloatTensor

的使用，我更喜欢前者

torch.FloatTensor

似乎是传统的构造函数，它不接受

device

作为参数。同样，我不认为这是一个大问题，但仍然使用

torch.tensor

增加了代码的可读性。

我已经能够在所有类型的数据类型上使用

FloatTensor

不能平均整数张量，这很有意义

a = th.tensor([1,1])
b = th.tensor([2,2])

th.mean(th.stack([a,b]))

RuntimeError：只能计算浮点类型的平均值。反而变长了。

l_o_fl = [[1.1,2.2,3.3],[1.1,2.2,3.3],[1.1,2.2,3.3]]

int_tnz = th.tensor(l_o_fl)
int_tnz

int_tnz.dtype

a = th.tensor([1,1])
b = th.tensor([2,2])

th.mean(th.stack([a,b]))