Numpy/Pytorch之数据类型与强制类型转换
目录
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
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
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)