在學(xué)習(xí)機(jī)器學(xué)習(xí)的時(shí)候我們會學(xué)習(xí)到一些矩陣的數(shù)據(jù)結(jié)構(gòu)，比如說大名鼎鼎的numpy和一些庫里面自帶的數(shù)據(jù)結(jié)構(gòu)（Tensor，torch）。但有時(shí)候需要在這些數(shù)據(jù)類型之間進(jìn)行數(shù)據(jù)類型轉(zhuǎn)換，比如說numpy和Tensor互轉(zhuǎn)，nunpy的數(shù)據(jù)類型轉(zhuǎn)化的問題，那么該如何進(jìn)行它們的數(shù)據(jù)類型轉(zhuǎn)化呢？接下來的這篇文章告訴你。
在實(shí)際計(jì)算過程中，float類型使用最多，因此這里重點(diǎn)介紹numpy和torch數(shù)據(jù)float類型轉(zhuǎn)化遇到的問題，其他類型同理。
numpy數(shù)據(jù)類型轉(zhuǎn)化
numpy使用astype轉(zhuǎn)化數(shù)據(jù)類型，float默認(rèn)轉(zhuǎn)化為64位，可以使用np.float32指定為32位
#numpy轉(zhuǎn)化float類型
a= np.array([1,2,3])
a = a.astype(np.float)
print(a)
print(a.dtype)[1. 2. 3.]
float64
不要使用a.dtype指定數(shù)據(jù)類型，會使數(shù)據(jù)丟失
#numpy轉(zhuǎn)化float類型
b= np.array([1,2,3])
b.dtype= np.float32
print(b)
print(b.dtype)[1.e-45 3.e-45 4.e-45]
float32
不要用float代替np.float，否則可能出現(xiàn)意想不到的錯(cuò)誤
不能從np.float64位轉(zhuǎn)化np.float32，會報(bào)錯(cuò)
np.float64與np.float32相乘，結(jié)果為np.float64
在實(shí)際使用過程中，可以指定為np.float，也可以指定具體的位數(shù)，如np.float，不過直接指定np.float更方便。
torch數(shù)據(jù)類型轉(zhuǎn)化
torch使用torch.float()轉(zhuǎn)化數(shù)據(jù)類型，float默認(rèn)轉(zhuǎn)化為32位，torch中沒有torch.float64()這個(gè)方法
# torch轉(zhuǎn)化float類型
b = torch.tensor([4,5,6])
b = b.float()
b.dtypetorch.float32np.float64使用torch.from_numpy轉(zhuǎn)化為torch后也是64位的
print(a.dtype)
c = torch.from_numpy(a)
c.dtypefloat64
torch.float64
不要用float代替torch.float，否則可能出現(xiàn)意想不到的錯(cuò)誤
torch.float32與torch.float64數(shù)據(jù)類型相乘會出錯(cuò)，因此相乘的時(shí)候注意指定或轉(zhuǎn)化數(shù)據(jù)float具體類型
np和torch數(shù)據(jù)類型轉(zhuǎn)化大體原理一樣，只有相乘的時(shí)候，torch.float不一致不可相乘，np.float不一致可以相乘，并且轉(zhuǎn)化為np.float64
numpy和tensor互轉(zhuǎn)
tensor轉(zhuǎn)化為numpy
import torch
b = torch.tensor([4.0,6])
# b = b.float()
print(b.dtype)
c = b.numpy()
print(c.dtype)torch.int64
int64
numpy轉(zhuǎn)化為tensor
import torch
import numpy as np
b= np.array([1,2,3])
# b = b.astype(np.float)
print(b.dtype)
c = torch.from_numpy(b)
print(c.dtype)int32
torch.int32
可以看到，torch默認(rèn)int型是64位的，numpy默認(rèn)int型是32位的
補(bǔ)充：torch.from_numpy VS torch.Tensor
最近在造dataset的時(shí)候，突然發(fā)現(xiàn)，在輸入圖像轉(zhuǎn)tensor的時(shí)候，我可以用torch.Tensor直接強(qiáng)制轉(zhuǎn)型將numpy類轉(zhuǎn)成tensor類，也可以用torch.from_numpy這個(gè)方法將numpy類轉(zhuǎn)換成tensor類，那么，torch.Tensor和torch.from_numpy這兩個(gè)到底有什么區(qū)別呢？既然torch.Tensor能搞定，那torch.from_numpy留著不就是冗余嗎？
答案
有區(qū)別，使用torch.from_numpy更加安全，使用tensor.Tensor在非float類型下會與預(yù)期不符。
解釋
實(shí)際上，兩者的區(qū)別是大大的。打個(gè)不完全正確的比方說，torch.Tensor就如同c的int，torch.from_numpy就如同c++的static_cast，我們都知道，如果將int64強(qiáng)制轉(zhuǎn)int32，只要是高位轉(zhuǎn)低位，一定會出現(xiàn)高位被抹去的隱患的，不僅僅可能會丟失精度，甚至?xí)?fù)對調(diào)。
這里的torch.Tensor與torch.from_numpy也會存在同樣的問題。
看看torch.Tensor的文檔，里面清楚地說明了，
torch.Tensor is an alias for the default tensor type (torch.FloatTensor).
而torch.from_numpy的文檔則是說明，
The returned tensor and ndarray share the same memory. Modifications to the tensor will be reflected in the ndarray and vice versa. The returned tensor is not resizable.
也即是說，
1、當(dāng)轉(zhuǎn)換的源是float類型，torch.Tensor與torch.from_numpy會共享一塊內(nèi)存！且轉(zhuǎn)換后的結(jié)果的類型是torch.float32
2、當(dāng)轉(zhuǎn)換的源不是float類型，torch.Tensor得到的是torch.float32，而torch.from_numpy則是與源類型一致！
是不是很神奇，下面是一個(gè)簡單的例子：
import torch
import numpy as nps1 = np.arange(10, dtype=np.float32)
s2 = np.arange(10) # 默認(rèn)的dtype是int64# 例一
o11 = torch.Tensor(s1)
o12 = torch.from_numpy(s1)
o11.dtype # torch.float32
o12.dtype # torch.float32
# 修改值
o11[0] = 12
o12[0] # tensor(12.)# 例二
o21 = torch.Tensor(s2)
o22 = torch.from_numpy(s2)
o21.dtype # torch.float32
o22.dtype # torch.int64
# 修改值
o21[0] = 12
o22[0] # tensor(0)小結(jié)
以上就是numpy和tensor互轉(zhuǎn),numpy數(shù)據(jù)類型轉(zhuǎn)化,torch數(shù)據(jù)類型轉(zhuǎn)化的全部內(nèi)容，如有不盡之處還請各位讀者大佬們補(bǔ)充，也希望大家多多支持W3Cschool。
