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

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。

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。
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
- 下一篇
- Go net/textproto.Reader.ReadCodeLine 怎样解析三位数字的响应状态行
-
- 科技周边 · 人工智能 | 9小时前 |
- FAISS 向量索引选择与召回精度的对比方法
- 212浏览 收藏
-
- 科技周边 · 人工智能 | 9小时前 | python · FAISS IndexIDMap2 remove_ids 向量删除 自定义ID
- FAISS IndexIDMap2 怎样按自定义 ID 删除向量
- 334浏览 收藏
-
- 科技周边 · 人工智能 | 9小时前 | 人工智能 · GPU CPU embedding Sentence Transformers multi-process 设备分配
- Sentence Transformers 多进程编码任务的设备分配方法
- 301浏览 收藏
-
- 科技周边 · 人工智能 | 9小时前 | python · 人工智能 · skip take Hugging Face Datasets streaming IterableDataset
- Hugging Face Datasets IterableDataset 怎样跳过前 N 条样本
- 294浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 | 人工智能 · Hugging Face Datasets IterableDataset repeat
- Hugging Face Datasets repeat 怎样按指定次数重放样本
- 195浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 |
- 大模型 API 流式输出的断线续传处理方案
- 403浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 | 人工智能 · 批处理 · PyTorch chunk_size torch.func.vmap vmap in_dims out_dims
- PyTorch torch.func.vmap 怎样把单样本函数批量化
- 230浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 | 人工智能 · PyTorch 性能测量 torch.compile TorchDynamo Inductor
- PyTorch torch.compile 怎样区分首次编译耗时和后续执行耗时
- 231浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 |
- PyTorch Tensor.to 怎样避免相同设备上的无效复制
- 294浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 |
- Hugging Face DataCollatorWithPadding 怎样按最长序列动态补齐输入
- 144浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 | 人工智能 · PyTorch View detach Tensor.detach_ autograd
- PyTorch Tensor.detach_ 为什么不能用于 view
- 230浏览 收藏
-
- 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
- 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
- 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
- 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
- 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
-
- 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
- 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
- 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
-
- 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
- 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
-
- 量化模型本地推理的显存估算方法
- 2026-10-17 501浏览
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览

