PyTorch torch存储
torch.Storage是单个数据类型的连续一维数组。
每个 torch.Tensor 都有对应的相同数据类型的存储。
class torch.FloatStorage( * args , ** kwargs )
bfloat16()
将此存储空间转换为 bfloat16 类型
bool()
将此存储转换为布尔型
byte()
将此存储空间转换为字节类型
char()
将此存储空间转换为 char 类型
clone()
返回此存储的副本
copy_()
cpu()
返回此存储的 CPU 副本(如果尚未在 CPU 上）
cuda(device=None, non_blocking=False, **kwargs)
返回此对象在 CUDA 内存中的副本。
如果此对象已经在 CUDA 内存中并且在正确的设备上，则不执行任何复制，并返回原始对象。
参数
- 设备 (python：int )–目标 GPU ID。 默认为当前设备。
- non_blocking (bool )–如果
True并且源位于固定内存中，则副本将相对于主机是异步的。 否则，该参数无效。 - \ –为兼容起见，可以包含键
async来代替non_blocking参数。
data_ptr()device
double()
将此存储空间转换为双精度类型
dtype
element_size()
fill_()
float()
将此存储转换为浮动类型
static from_buffer()
static from_file(filename, shared=False, size=0) → Storage
如果共享的<cite>为<cite>为</cite>，则在所有进程之间共享内存。 所有更改都将写入文件。 如果<cite>共享的</cite>为<cite>假</cite>，则存储上的更改不会影响该文件。</cite>
<cite>大小</cite>是存储中元素的数量。 如果<cite>共享的</cite>为<cite>假</cite>，则文件必须至少包含 <cite>size * sizeof(Type）</cite>个字节 (<cite>Type</cite> 是存储类型 )。 如果<cite>共享的</cite>为 <cite>True</cite> ，则将根据需要创建文件。
Parameters
- 文件名 (str )–要映射的文件名
- 共享的 (bool )–是否共享内存
- 大小 (python：int )–存储中的元素数
half()
将此存储空间转换为一半类型
int()
将此存储空间转换为 int 类型
is_cuda = False
is_pinned()
is_shared()
is_sparse = False
long()
将此存储空间转换为长型
new()
pin_memory()
将存储复制到固定的内存(如果尚未固定）。
resize_()
share_memory_()
将存储移动到共享内存。
对于共享内存中已存在的存储和 CUDA 存储(对于跨进程共享无需移动的 CUDA 存储），此操作不起作用。 共享内存中的存储无法调整大小。
返回：自我
short()
将此存储空间转换为短型
size()
tolist()
返回包含此存储元素的列表
type(dtype=None, non_blocking=False, **kwargs)
如果未提供 <cite>dtype</cite> ，则返回类型，否则将该对象强制转换为指定的类型。
如果它已经是正确的类型，则不执行任何复制，并返回原始对象。
Parameters
- dtype (python：type 或 字符串）–所需类型
- non_blocking (bool )–如果
True，并且源位于固定内存中，而目标位于 GPU 上，反之亦然，则相对于主机异步执行复制。 否则，该参数无效。 - \ –为兼容起见，可以包含键
async来代替non_blocking参数。 不推荐使用asyncarg。
更多建议：