系列文章：
PyTorch 基础学习（1） - 快速入门
PyTorch 基础学习（2）- 张量 Tensors
PyTorch 基础学习（3） - 张量的数学操作
PyTorch 基础学习（4）- 张量的类型
PyTorch 基础学习（5）- 神经网络
PyTorch 基础学习（6）- 函数API
PyTorch 基础学习（7）- 自动微分
PyTorch 基础学习（8）- 多进程并发
PyTorch 基础学习（9）- 训练优化器
PyTorch 基础学习（10）- Transformer
介绍
在 PyTorch 中，torch.Storage 是一个基础数据结构，用于存储张量（Tensor）背后的数据。Storage 是一个一维的连续数组，每个元素都是相同的数据类型。虽然用户通常直接与张量交互，但 Storage 在幕后支持张量的内存管理。
每个 torch.Tensor 都有一个对应的 Storage 对象，该对象保存了张量的数据。通过 Storage，可以访问和操作张量底层的数据。
重要方法及其作用
以下是 torch.FloatStorage 类中的一些重要方法及其功能：
byte(): 将存储的数据类型转换为byte类型。char(): 将存储的数据类型转换为char类型。clone(): 返回存储的一个副本。cpu(): 如果当前存储不在 CPU 上，则返回它在 CPU 上的一个副本。cuda(device=None, async=False): 返回此对象在 CUDA 内存中的副本。可以指定目标 GPU 的 ID。async参数允许在某些情况下异步复制。double(): 将存储的数据类型转换为double类型。float(): 将存储的数据类型转换为float类型。half(): 将存储的数据类型转换为half类型。int(): 将存储的数据类型转换为int类型。long(): 将存储的数据类型转换为long类型。resize_(): 改变存储的大小。tolist(): 将存储中的所有元素转换为 Python 列表。type(new_type=None, async=False): 将存储的数据类型转换为指定的类型。
主要使用场景
torch.Storage 主要用于以下场景：
- 内存管理: 当需要手动管理张量的数据时，可以直接使用
Storage。 - 类型转换: 通过存储的类型转换方法，可以方便地在不同的数据类型之间切换。
- 设备切换: 在 CPU 和 GPU 之间迁移数据时，可以使用
cpu()和cuda()方法。 - 数据共享:
share_memory_()方法可以将存储的数据移动到共享内存中，使得多个进程能够访问相同的数据。
应用实例
以下是一个简单的例子，展示了如何使用 torch.Storage 来管理张量的底层数据。
import torch# 创建一个浮点型张量
tensor = torch.FloatTensor([1.0, 2.0, 3.0, 4.0])# 获取张量的存储
storage = tensor.storage()# 查看存储中的元素
print("Storage elements:", storage.tolist())# 将存储的数据类型转换为 byte
storage.byte()# 查看转换后的存储类型
print("Converted storage elements (byte):", storage.tolist())# 将存储移到 GPU（如果可用）
if torch.cuda.is_available():storage_cuda = storage.cuda()print("Storage moved to CUDA")# 克隆存储
storage_clone = storage.clone()
print("Cloned storage elements:", storage_clone.tolist())
小结
torch.Storage 是 PyTorch 中的一个底层数据结构，用于管理张量的内存。通过理解 Storage 的基本概念和常用方法，开发者可以更灵活地操作和管理张量的数据，从而在更高级的场景中应用 PyTorch。
