Numpy/Pytorch之数据类型与强制类型转换

目录

1.数据类型简介
<https://blog.csdn.net/qq_37385726/article/details/81774150#1.%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B%E7%AE%80%E4%BB%8B>

Numpy <https://blog.csdn.net/qq_37385726/article/details/81774150#Numpy>

Pytorch <https://blog.csdn.net/qq_37385726/article/details/81774150#Pytorch>

2.Python的type()函数
<https://blog.csdn.net/qq_37385726/article/details/81774150#2.Python%E7%9A%84type()%E5%87%BD%E6%95%B0>

3.Numpy/Pytorch的dtype属性
<https://blog.csdn.net/qq_37385726/article/details/81774150#3.Numpy%2FPytorch%E7%9A%84dtype%E5%B1%9E%E6%80%A7>

4.Numpy中的类型转换
<https://blog.csdn.net/qq_37385726/article/details/81774150#4.Numpy%E4%B8%AD%E7%9A%84%E7%B1%BB%E5%9E%8B%E8%BD%AC%E6%8D%A2>

先聊聊我为什么会用到这个函数（不看跳过）
<https://blog.csdn.net/qq_37385726/article/details/81774150#%E5%85%88%E8%81%8A%E8%81%8A%E6%88%91%E4%B8%BA%E4%BB%80%E4%B9%88%E4%BC%9A%E7%94%A8%E5%88%B0%E8%BF%99%E4%B8%AA%E5%87%BD%E6%95%B0%EF%BC%88%E4%B8%8D%E7%9C%8B%E8%B7%B3%E8%BF%87%EF%BC%89>

astype()函数
<https://blog.csdn.net/qq_37385726/article/details/81774150#astype()%E5%87%BD%E6%95%B0>

输出
<https://blog.csdn.net/qq_37385726/article/details/81774150#%E8%BE%93%E5%87%BA>

4.Pytorch中的类型转换
<https://blog.csdn.net/qq_37385726/article/details/81774150#4.Pytorch%E4%B8%AD%E7%9A%84%E7%B1%BB%E5%9E%8B%E8%BD%AC%E6%8D%A2>

Way1 : 变量直接调用类型
<https://blog.csdn.net/qq_37385726/article/details/81774150#Way1%20%3A%20%E5%8F%98%E9%87%8F%E7%9B%B4%E6%8E%A5%E8%B0%83%E7%94%A8%E7%B1%BB%E5%9E%8B>

Way2 : 变量调用pytorch中的type函数
<https://blog.csdn.net/qq_37385726/article/details/81774150#Way2%20%3A%20%E5%8F%98%E9%87%8F%E8%B0%83%E7%94%A8pytorch%E4%B8%AD%E7%9A%84type%E5%87%BD%E6%95%B0>

Way3 : 变量调用pytorch中的type_as函数
<https://blog.csdn.net/qq_37385726/article/details/81774150#Way3%C2%A0%3A%20%E5%8F%98%E9%87%8F%E8%B0%83%E7%94%A8pytorch%E4%B8%AD%E7%9A%84type_as%E5%87%BD%E6%95%B0>

 

 

1.数据类型简介

Numpy

NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。

序号 数据类型及描述
1. bool_存储为一个字节的布尔值(真或假)
2. int_默认整数，相当于 C 的long，通常为int32或int64
3. intc相当于 C 的int，通常为int32或int64
4. intp用于索引的整数，相当于 C 的size_t，通常为int32或int64
5. int8字节(-128 ~ 127)
6. int1616 位整数(-32768 ~ 32767)
7. int3232 位整数(-2147483648 ~ 2147483647)
8. int6464 位整数(-9223372036854775808 ~ 9223372036854775807)
9. uint88 位无符号整数(0 ~ 255)
10. uint1616 位无符号整数(0 ~ 65535)
11. uint3232 位无符号整数(0 ~ 4294967295)
12. uint6464 位无符号整数(0 ~ 18446744073709551615)
13. float_float64的简写
14. float16半精度浮点：符号位，5 位指数，10 位尾数
15. float32单精度浮点：符号位，8 位指数，23 位尾数
16. float64双精度浮点：符号位，11 位指数，52 位尾数
17. complex_complex128的简写
18. complex64复数，由两个 32 位浮点表示(实部和虚部)
19.
complex128复数，由两个 64 位浮点表示(实部和虚部)

直接使用类型名很可能会报错，正确的使用方式是np.调用，eg,  np.uint8

 

Pytorch

Torch定义了七种CPU张量类型和八种GPU张量类型,这里我们就只讲解一下CPU中的，其实GPU中只是中间加一个cuda即可，如
torch.cuda.FloatTensor：

* torch.FloatTensor(2,3) 构建一个2*3 Float类型的张量
* torch.DoubleTensor(2,3) 构建一个2*3 Double类型的张量
* torch.ByteTensor(2,3) 构建一个2*3 Byte类型的张量
* torch.CharTensor(2,3) 构建一个2*3 Char类型的张量
* torch.ShortTensor(2,3) 构建一个2*3 Short类型的张量
* torch.IntTensor(2,3) 构建一个2*3 Int类型的张量
* torch.LongTensor(2,3) 构建一个2*3 Long类型的张量
 

同样，直接使用类型名很可能会报错，正确的使用方式是torch.调用，eg，torch.FloatTensor()

 

 

2.Python的type()函数

type函数可以由变量调用，或者把变量作为参数传入。

返回的是该变量的类型，而非数据类型。
data = np.random.randint(0, 255, 300) print(type(data))
输出

<class 'numpy.ndarray'>

 

3.Numpy/Pytorch的dtype属性

返回值为变量的数据类型
t_out = torch.Tensor(1,2,3) print(t_out.dtype)
输出

torch.float32
t_out = torch.Tensor(1,2,3) print(t_out.numpy().dtype)
输出

float32

 

 

4.Numpy中的类型转换

 

先聊聊我为什么会用到这个函数（不看跳过）

为了实施trochvision.transforms.ToPILImage()函数

于是我想从numpy的ndarray类型转成PILImage类型

我做了以下尝试
data = np.random.randint(0, 255, 300) n_out = data.reshape(10,10,3)
print(n_out.dtype) img = transforms.ToPILImage()(n_out) img.show()
但是很遗憾，报错了

raise TypeError('Input type {} is not supported'.format(npimg.dtype))
TypeError: Input type int32 is not supported

因为要将ndarray转成PILImage要求ndarray是uint8类型的。

于是我认输了。。。

使用了
n_out = np.linspace(0,255,300,dtype=np.uint8) n_out = n_out.reshape(10,10,3)
print(n_out.dtype) img = torchvision.transforms.ToPILImage()(n_out) img.show()
得到了输出

uint8

    嗯，显示了一张图片

但是呢，就很憋屈，和想要的随机数效果不一样。

于是我用了astype函数

 

astype()函数

由变量调用，但是直接调用不会改变原变量的数据类型，是返回值是改变类型后的新变量，所以要赋值回去。
n_out = n_out.astype(np.uint8) #初始化随机数种子 np.random.seed(0) data =
np.random.randint(0, 255, 300) print(data.dtype) n_out = data.reshape(10,10,3)
#强制类型转换 n_out = n_out.astype(np.uint8) print(n_out.dtype) img =
transforms.ToPILImage()(n_out) img.show()
输出

int32
uint8



 

 

4.Pytorch中的类型转换

pytorch中没有astype函数，正确的转换方法是

Way1 : 变量直接调用类型

 
tensor = torch.Tensor(3, 5)
torch.long() 将tensor投射为long类型
newtensor = tensor.long()
torch.half()将tensor投射为半精度浮点类型
newtensor = tensor.half()
torch.int()将该tensor投射为int类型
newtensor = tensor.int()
torch.double()将该tensor投射为double类型
newtensor = tensor.double()
torch.float()将该tensor投射为float类型
newtensor = tensor.float()
torch.char()将该tensor投射为char类型
newtensor = tensor.char()
torch.byte()将该tensor投射为byte类型
newtensor = tensor.byte()
torch.short()将该tensor投射为short类型
newtensor = tensor.short()
同样，和numpy中的astype函数一样，是返回值才是改变类型后的结果，调用的变量类型不变

 

Way2 : 变量调用pytorch中的type函数

type(new_type=None, async=False)如果未提供new_type，则返回类型，否则将此对象转换为指定的类型。
如果已经是正确的类型，则不会执行且返回原对象。

用法如下：
self = torch.LongTensor(3, 5) # 转换为其他类型 print self.type(torch.FloatTensor)
 

Way3 : 变量调用pytorch中的type_as函数

如果张量已经是正确的类型，则不会执行操作。具体操作方法如下：
self = torch.Tensor(3, 5) tesnor = torch.IntTensor(2,3) print
self.type_as(tesnor)
 

 

• « 上一篇：常用编程语言及简介
• » 下一篇：学习笔记3：k折交叉验证（k-fold cross validation）