Pytorch如何判断一个Tensor非空 - 小兰

#  三种容器的真假判断

空张量 和 零张量 的真假   torch.Tensor()
空数组 和 零数组 的真假   np.array()
空列表 和 零列表 的真假   []

直接判断元素数量， 是最最佳方案。

# Empty-Tensor & Zero-Tensor

```
x=t.Tensor([])
x
>>> Variable containing:[torch.FloatTensor with no dimension]
a=t.Tensor([0])
a
>>> 0 
[torch.FloatTensor of size 1]
```

# 利用内置bool, 会模棱两可
```
x.__bool__()
>>> False
a.__bool__()
Traceback (most recent call last):
  File "<input>", line 1, in <module>
RuntimeError: bool value of non-empty torch.FloatTensor objects is ambiguous

bool(x)
>>> False
bool(a)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
RuntimeError: bool value of non-empty torch.FloatTensor objects is ambiguous
```

# 利用shape，有溢出风险
```
x.shape
torch.Size([])
x.shape[0] > 0
Traceback (most recent call last):
  File "<input>", line 1, in <module>
IndexError: tuple index out of range

a.shape[0]>0
>>> True

if a.shape:
   print('指向不明确，表意有含糊')
```

# 转化为numpy数组操作
```
## 0/empty的numpy数组都为False, 与Tensor不相同。
a.numpy()
>>> array([ 0.], dtype=float32)
bool(a.numpy())
>>> False
x.data.numpy()
>>> array([], dtype=float32)
bool(x.data.numpy())
>>> False
```

# 转为List列表操作
```
# 与 np.array 结论一样， 0或empy都为False
list(x.data)
>>> []
>>> bool(list(x.data))
>>> False
list(a)
>>> [0.0]
bool(list(x.data))
>>> False

```

# 直接判断元素数量， 最佳方案
```
bool(a.numel())
True

bool(x.numel())
False
x.numel()
0
```