登录
推荐 文章 Go 技术 课程 下载 专题 AI
首页 >  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

来源:17golang原创

时间:2026-11-18 09:51:28 316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。

声明:本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
相关阅读
更多>
最新阅读
更多>
课程推荐
更多>