1.数据类型简介
Numpy
Pytorch
2.Python的type()函数
3.Numpy/Pytorch的dtype属性
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)
astype()函数
输出
4.Pytorch中的类型转换
Way1 : 变量直接调用类型
Way2 : 变量调用pytorch中的type函数
Way3 : 变量调用pytorch中的type_as函数
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
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
:
Float
类型的张量Double
类型的张量Byte
类型的张量Char
类型的张量Short
类型的张量Int
类型的张量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()
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
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
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
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
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()
int32
uint8
pytorch中没有astype函数,正确的转换方法是
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
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)
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)