当前位置:首页 > 文章列表 > 科技周边 > 人工智能 > PyTorch torch.get_default_dtype 怎样读取新建浮点张量默认使用的数据类型

PyTorch torch.get_default_dtype 怎样读取新建浮点张量默认使用的数据类型

来源:17golang原创 2026-11-18 09:51:28 0浏览 收藏

想知道 PyTorch 新建浮点张量默认会使用什么类型,直接调用 torch.get_default_dtype() 即可。它返回当前进程的默认浮点 torch.dtype,初始通常是 torch.float32;如果代码之前调用过 torch.set_default_dtype(),读取到的就是修改后的默认值。

官方地址:https://docs.pytorch.org/docs/stable/generated/torch.get_default_dtype.html

这个函数查询的是“默认创建规则”,不是某个已有张量的 dtype。已有张量要看自己的 tensor.dtype;创建时显式传入 dtype,则以显式参数为准。

先区分默认浮点类型和张量自身 dtype

torch.get_default_dtype() 解决的是一个很窄但很常见的问题:当代码用 Python 浮点数创建新张量、又没有写 dtype 时,PyTorch 当前采用哪一种默认浮点类型。它返回的是一个 torch.dtype 对象,不是字符串,也不是设备信息。

如果已经拿到一个张量,应该读取它的 dtype 属性。两者的区别可以概括为:默认 dtype 是“后续创建时可参考的规则”,张量 dtype 是“这个对象已经采用的实际类型”。修改默认值不会回写已经存在的张量。

直接调用 torch.get_default_dtype

该函数不需要参数,最小写法就是下面这一行。为了让日志更容易阅读,可以同时输出返回对象和它的字符串表示。

import torch

# 读取当前进程的新建浮点张量默认类型。
default_dtype = torch.get_default_dtype()
print(default_dtype)
print(default_dtype == torch.float32)

这里的返回值可以直接与 torch.float32、torch.float64 等 dtype 常量比较。不要把它和 str(default_dtype) 混用:字符串适合日志展示,dtype 对象更适合程序分支判断。

PyTorch 默认浮点类型查询与新建张量 dtype 的静态关系图
图1:说明图展示默认浮点类型查询与新建张量的静态关系,不是运行截图。

理解它影响哪些新建张量

当创建表达式里包含 Python 浮点数、没有显式指定 dtype 时,当前默认浮点类型会参与类型选择。例如下面的写法把“读取默认规则”和“观察新对象类型”放在一起:

import torch

# 先读取规则,再创建没有显式 dtype 的浮点张量。
default_dtype = torch.get_default_dtype()
values = torch.tensor([1.0, 2.0])

print("默认类型:", default_dtype)
print("张量类型:", values.dtype)

这段代码表达的是类型来源关系,不应把示例输出当成任何机器上的运行证明。真正需要记住的是:默认规则主要影响“新建且未指定 dtype”的浮点数据;如果输入本身是整型,结果不会因为查询了默认浮点类型就自动变成浮点型。

显式 dtype 会覆盖默认规则

排查类型问题时,最容易混淆的是“默认值改变了”和“这一行显式指定了类型”。只要在创建函数中传入 dtype,这次创建就有明确的类型选择,不应再从默认值推断。

import torch

# 显式 dtype 优先于默认浮点类型,适合需要固定接口契约的代码。
fixed = torch.tensor([1.0, 2.0], dtype=torch.float64)
print(fixed.dtype)

# 已有张量的 dtype 直接从对象读取,不重新查询默认规则。
print(fixed.dtype == torch.float64)

因此,看到 torch.float64 并不能直接说明全局默认值是 torch.float64,也可能只是这一处显式传参。调试时应把 torch.get_default_dtype() 和目标张量的 dtype 分开记录。

和 torch.set_default_dtype 配合排查

当项目在不同模块中设置过默认类型,可以在关键入口读取一次,并把设置动作限制在清晰的初始化阶段。下面的例子展示查询、设置、再次查询的关系;它不代表应该在业务函数里频繁修改全局默认值。

import torch

# 记录修改前的默认浮点类型,方便定位全局配置来源。
before = torch.get_default_dtype()

# 只在明确的初始化场景改变默认类型;调用方要知道这是进程级设置。
torch.set_default_dtype(torch.float64)
after = torch.get_default_dtype()

print("修改前:", before)
print("修改后:", after)

torch.set_default_dtype() 改变的是后续相关创建行为的默认规则,而 torch.get_default_dtype() 只是把当前规则读出来。若函数返回的值与预期不符,优先搜索项目初始化代码、测试夹具和第三方库入口,而不是先改目标张量的 dtype。

PyTorch 默认类型、显式 dtype 与已有张量 dtype 的边界关系图
图2:结构图对照默认类型、显式 dtype 与已有张量 dtype 的边界,不代表固定执行结果。

处理几个容易误判的边界

看到的对象或写法应该查询什么判断重点
torch.get_default_dtype()函数返回值当前进程的新建浮点默认规则
tensor.dtype张量属性已有对象实际采用的 dtype
torch.tensor(..., dtype=...)显式参数本次创建优先使用调用方指定的类型
整型列表创建张量结果对象 dtype不要把默认浮点规则当成所有输入的统一转换器

另一个常见误区是把默认 dtype 当成默认 device。dtype 描述数值表示,device 描述张量放在哪个计算设备;两者是不同的配置维度。本文标题中的“默认类型”只指浮点数据类型,不负责回答张量是否位于 CPU、CUDA 或其他设备。

把读取动作放进日常检查清单

在模型初始化或数据预处理入口,建议按下面顺序记录:先记录 torch.get_default_dtype(),再记录关键输入张量的 dtype,最后标出哪些创建调用显式传入了 dtype。这样可以把“全局默认规则”和“局部类型契约”分开。

  • 需要知道当前默认浮点类型时,调用 torch.get_default_dtype()。
  • 需要知道已有张量的实际类型时,读取 tensor.dtype。
  • 需要跨模块保持稳定类型时,在接口边界显式传入 dtype。
  • 确实要修改默认规则时,把 torch.set_default_dtype() 放在清晰的初始化位置,并记录修改原因。

常见问题

torch.get_default_dtype() 需要传参数吗?

不需要。它是无参数查询函数,返回当前默认浮点 torch.dtype。

它能读取已有张量的 dtype 吗?

不能把它当成已有张量查询器。已有张量应直接读取 tensor.dtype;默认 dtype 只说明后续创建时可参考的浮点规则。

为什么我显式写了 dtype,结果和默认值不一样?

显式的 dtype 是本次创建的直接约束,优先级高于默认规则。排查时同时打印默认值和目标张量的 dtype 即可区分两种来源。

修改默认 dtype 会改变已经创建的张量吗?

不会。修改默认规则主要影响之后符合条件的新建浮点张量,已有对象仍保留创建时的 dtype。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
PHP ReflectionFunctionAbstract.getAttributes 怎样按属性类名筛选函数属性PHP ReflectionFunctionAbstract.getAttributes 怎样按属性类名筛选函数属性
上一篇
PHP ReflectionFunctionAbstract.getAttributes 怎样按属性类名筛选函数属性
Go net/textproto.Reader.ReadCodeLine 怎样解析三位数字的响应状态行
下一篇
Go net/textproto.Reader.ReadCodeLine 怎样解析三位数字的响应状态行
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    1091次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    1088次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1252次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1196次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    1041次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码