pytorch和tensorflow的愛恨情仇之基本數據類型

本身一直以來都是使用的pytorch，最近打算好好的看下tensorflow，新開一個系列：pytorch和tensorflow的愛恨情仇（相愛相殺。。。）

不管學習什麼框架或者是什麼編程語言，最基礎的就是其基本的數據類型了，接下來咱們就一一看看吧。

pytorch版本：0.4.1，準備以後換成1.x版本的。

tensorflow版本：1.15.0，雖然目前tensorflow已經出到2.x版本了，但聽說2.x版本的還存在一些bug，就使用目前的1.x版本的了。

一、python基本數據類型

數字型：整型、浮點型、布爾型、複數型。

非數字型：字符串、列表、元組、字典。

使用type能夠查看變量的類型：type(變量名)

二、numpy中的數據類型

名稱	描述
bool_	布爾型數據類型（True 或者 False）
int_	默認的整數類型（相似於 C 語言中的 long，int32 或 int64）
intc	與 C 的 int 類型同樣，通常是 int32 或 int 64
intp	用於索引的整數類型（相似於 C 的 ssize_t，通常狀況下仍然是 int32 或 int64）
int8	字節（-128 to 127）
int16	整數（-32768 to 32767）
int32	整數（-2147483648 to 2147483647）
int64	整數（-9223372036854775808 to 9223372036854775807）
uint8	無符號整數（0 to 255）
uint16	無符號整數（0 to 65535）
uint32	無符號整數（0 to 4294967295）
uint64	無符號整數（0 to 18446744073709551615）
float_	float64 類型的簡寫
float16	半精度浮點數，包括：1 個符號位，5 個指數位，10 個尾數位
float32	單精度浮點數，包括：1 個符號位，8 個指數位，23 個尾數位
float64	雙精度浮點數，包括：1 個符號位，11 個指數位，52 個尾數位
complex_	complex128 類型的簡寫，即 128 位複數
complex64	複數，表示雙 32 位浮點數（實數部分和虛數部分）
complex128	複數，表示雙 64 位浮點數（實數部分和虛數部分）

numpy 的數值類型其實是 dtype 對象的實例，並對應惟一的字符，包括 np.bool_，np.int32，np.float32，等等。

這裏簡要的看下例子，通常狀況下咱們是這麼定義一個數組的：

固然，咱們也可使用以下方式定義：先指定數組中元素的類型，再建立數組

爲何咱們要這麼定義呢，這麼定義不是沒有第一種簡便嗎？這是由於，經過這種方式，咱們能夠定義本身的數據類型：

這裏的i1指代的是int8,

每一個內建類型都有一個惟必定義它的字符代碼，以下：

字符	對應類型
b	布爾型
i	(有符號) 整型
u	無符號整型 integer
f	浮點型
c	複數浮點型
m	timedelta（時間間隔）
M	datetime（日期時間）
O	(Python) 對象
S, a	(byte-)字符串
U	Unicode
V	原始數據 (void)

因而乎，請看如下例子：

說到數據類型，就不得不涉及到數據類型之間的轉換，天然而然首先想到的是經過修改dtype的類型來修改數據的類型，可是這存在一些問題，請看如下例子：

>>> 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)
#原來float64至關於4個int16的位寬，這樣強制轉換後會將他們直接拆開成4個數，
#所以原來的兩個float64成了8個int16

咱們要使用astype來修改數據類型，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的數據類型並無變
>>> a=a.astype(np.int16) #賦值操做後a的數據類型變化
>>> a.dtype
dtype('int16')
>>> a
array([1, 1], dtype=int16)

 參考：

https://www.runoob.com/numpy/numpy-dtype.html

https://blog.csdn.net/miao20091395/article/details/79276721

三、pytorch中的數據類型

看如下例子：默認使用的數據類型是torch.float32

固然，你也能夠指定生成張量的類別，經過如下方式：

在多數狀況下，咱們都會使用pytorch自帶的函數創建張量，看如下例子：

經過如下兩種方式能夠查看張量的數據類型：

接下來仍是要看下數據類型之間的轉換，主要有三點：張量之間的數據類型的轉換、張量和numpy數組之間的轉換、cuda張量和cpu張量的轉換

（1） 不一樣張量之間的類型轉換

直接使用(.類型)便可：

咱們還可使用type()來進行轉換：

咱們一樣可使用type_as()將某個張量的數據類型轉換爲另外一個張量的相同的數據類型：

（2）張量和numpy之間的轉換

將numpy數組轉換爲張量：使用from_numpy()

將張量轉換爲numoy數組：使用.numpy()

（3） cuda類型和cpu類型之間的轉換

cpu類型轉換成cuda類型：

a.cuda()或者a.to(device)：這裏的device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

cuda類型轉換爲cpu類型：

a.cpu()

這裏須要提一句的是，要先將cuda類型轉換爲cpu類型，才能進一步將該類型轉換爲numpy類型。

三、tensorflow基本數據類型

定義一個張量：

使用tf.constant創建一個常量，注意：常量是不進行梯度更新的。

（1）張量之間的類型轉換：可使用tf.to_類型()或者tf.cast()，不過前者將要被移除，最好使用tf.cast()

（2） 張量和numpy之間的類型轉換

numpy轉張量：使用tf.convert_to_tensor()

張量轉numpy：由Session.run或eval返回的任何張量都是NumPy數組。

（3）tensorflow好像不存在什麼gpu張量和cpu張量類型

 

若是有什麼錯誤還請指出，有什麼遺漏的還請補充，會進行相應的修改。