c语言中tensor强制转换float,pytorch和tensorflow的爱恨情仇之基本数据类型
自己一直以来都是使用的pytorch,最近打算好好的看下tensorflow,新开一个系列:pytorch和tensorflow的爱恨情仇(相爱相杀。。。)
无论学习什么框架或者是什么编程语言,最基础的就是其基本的数据类型了,接下来我们就一一看看吧。
pytorch版本:0.4.1,准备之后换成1.x版本的。
tensorflow版本:1.15.0,虽然目前tensorflow已经出到2.x版本了,但据说2.x版本的还存在一些bug,就使用目前的1.x版本的了。
1、python基本数据类型
数字型:整型、浮点型、布尔型、复数型。
非数字型:字符串、列表、元组、字典。
使用type可以查看变量的类型:type(变量名)
2、numpy中的数据类型
名称
描述
bool_
布尔型数据类型(True 或者 False)
int_
默认的整数类型(类似于 C 语言中的 long,int32 或 int64)
intc
与 C 的 int 类型一样,一般是 int32 或 int 64
intp
用于索引的整数类型(类似于 C 的 ssize_t,一般情况下仍然是 int32 或 int64)
int8
字节(-128 to 127)
int16
整数(-32768 to 32767)
int32
整数(-2147483648 to 2147483647)
int64
整数(-9223372036854775808 to 9223372036854775807)
uint8
无符号整数(0 to 255)
uint16
无符号整数(0 to 65535)
uint32
无符号整数(0 to 4294967295)
uint64
无符号整数(0 to 18446744073709551615)
float_
float64 类型的简写
float16
半精度浮点数,包括:1 个符号位,5 个指数位,10 个尾数位
float32
单精度浮点数,包括:1 个符号位,8 个指数位,23 个尾数位
float64
双精度浮点数,包括:1 个符号位,11 个指数位,52 个尾数位
complex_
complex128 类型的简写,即 128 位复数
complex64
复数,表示双 32 位浮点数(实数部分和虚数部分)
complex128
复数,表示双 64 位浮点数(实数部分和虚数部分)
numpy 的数值类型实际上是 dtype 对象的实例,并对应唯一的字符,包括 np.bool_,np.int32,np.float32,等等。
这里简要的看下例子,一般情况下我们是这么定义一个数组的:
当然,我们也可以使用如下方式定义:先指定数组中元素的类型,再创建数组
为什么我们要这么定义呢,这么定义不是没有第一种简便吗?这是因为,通过这种方式,我们可以定义自己的数据类型:
这里的i1指代的是int8,
每个内建类型都有一个唯一定义它的字符代码,如下:
字符
对应类型
b
布尔型
i
(有符号) 整型
u
无符号整型 integer
f
浮点型
c
复数浮点型
m
timedelta(时间间隔)
M
datetime(日期时间)
O
(Python) 对象
S, a
(byte-)字符串
U
Unicode
V
原始数据 (void)
于是乎,请看以下例子:
说到数据类型,就不得不涉及到数据类型之间的转换,自然而然首先想到的是通过修改dtype的类型来修改数据的类型,但是这存在一些问题,请看以下例子:
>>> a=np.array([1.1, 1.2])>>>a.dtype
dtype('float64')>>> a.dtype=np.int16>>>a.dtype
dtype('int16')>>>a
array([-26214, -26215, -26215, 16369, 13107, 13107, 13107, 16371], dtype=int16)#原来float64相当于4个int16的位宽,这样强制转换后会将他们直接拆开成4个数,#因此原来的两个float64成了8个int16
我们要使用astype来修改数据类型,看一下例子:
>>> a=np.array([1.1, 1.2])>>>a.dtype
dtype('float64')>>>a.astype(np.int16)
array([1, 1], dtype=int16)>>>a.dtype
dtype('float64') #a的数据类型并没有变
>>> a=a.astype(np.int16) #赋值操作后a的数据类型变化
>>>a.dtype
dtype('int16')>>>a
array([1, 1], dtype=int16)
参考:
3、pytorch中的数据类型
看以下例子:默认使用的数据类型是torch.float32
当然,你也可以指定生成张量的类别,通过以下方式:
在多数情况下,我们都会使用pytorch自带的函数建立张量,看以下例子:
通过以下两种方式可以查看张量的数据类型:
接下来还是要看下数据类型之间的转换,主要有三点:张量之间的数据类型的转换、张量和numpy数组之间的转换、cuda张量和cpu张量的转换
(1) 不同张量之间的类型转换
直接使用(.类型)即可:
我们还可以使用type()来进行转换:
我们同样可以使用type_as()将某个张量的数据类型转换为另一个张量的相同的数据类型:
(2)张量和numpy之间的转换
将numpy数组转换为张量:使用from_numpy()
将张量转换为numoy数组:使用.numpy()
(3) cuda类型和cpu类型之间的转换
cpu类型转换成cuda类型:
a.cuda()或者a.to(device):这里的device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
cuda类型转换为cpu类型:
a.cpu()
这里需要提一句的是,要先将cuda类型转换为cpu类型,才能进一步将该类型转换为numpy类型。
3、tensorflow基本数据类型
定义一个张量:
使用tf.constant建立一个常量,注意:常量是不进行梯度更新的。
(1)张量之间的类型转换:可以使用tf.to_类型()或者tf.cast(),不过前者将要被移除,最好使用tf.cast()
(2) 张量和numpy之间的类型转换
numpy转张量:使用tf.convert_to_tensor()
张量转numpy:由Session.run或eval返回的任何张量都是NumPy数组。
(3)tensorflow好像不存在什么gpu张量和cpu张量类型
如果有什么错误还请指出,有什么遗漏的还请补充,会进行相应的修改。