PyTorch torch.where如何正确使用float32类型标量避免类型错误?
torch.where 中正确使用float32类型标量的方法
报错核心原因
PyTorch对Python原生数字入参有固定的默认类型推导规则,触发报错的逻辑如下:
- 传入Python原生整数(如示例代码中的
0)时,PyTorch会将其默认推导为torch.int64类型,和分支参数中torch.float32类型的张量x类型不匹配,触发expected scalar type long long but found float运行时错误。 - 传入Python原生浮点数(如示例代码中的
0.0)时,PyTorch会将其默认推导为torch.float64类型,和分支参数中torch.float32类型的张量x类型不匹配,触发expected scalar type double but found float运行时错误。
设计逻辑说明:PyTorch出于精度保护的原则,不会在标量与张量的运算中自动执行高精度转低精度的隐式类型转换,因此会严格校验运算双方的dtype一致性。
可行的实现方案
核心操作原则是让传入的“标量”和参与运算的张量保持完全一致的dtype与设备属性,常用实现方式有三种:
- 手动构造指定dtype的0维张量替代Python原生标量
直接将原生数字替换为带明确dtype的标量张量,即可通过类型校验,示例代码:import torch x = torch.randn(3, 2) # 类型为torch.float32 # 构造与x同类型的0维标量张量 f32_scalar = torch.tensor(0.0, dtype=torch.float32) result = torch.where(x > 0, f32_scalar, x) - 复用现有张量的dtype属性,提升代码兼容性
针对需要适配CPU/GPU设备、不同dtype输入的场景,可以直接从现有张量读取类型和设备参数创建标量,无需硬编码类型值:f32_scalar = torch.tensor(0.0, dtype=x.dtype, device=x.device) result = torch.where(x > 0, f32_scalar, x) - 用张量内置API简化写法
PyTorch张量提供了new_tensor方法,可以直接生成和原张量dtype、设备完全一致的新张量,代码更简洁:result = torch.where(x > 0, x.new_tensor(0.0), x)
内容的提问来源于stack exchange,提问作者Hongtao Yang
相关产品推荐
相关产品推荐

