解決numpy和torch數據類型轉化的問題

在實際計算過程中,float類型使用最多,因此這裡重點介紹numpy和torch數據float類型轉化遇到的問題,其他類型同理。

numpy數據類型轉化

numpy使用astype轉化數據類型,float默認轉化為64位,可以使用np.float32指定為32位

#numpy轉化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指定數據類型,會使數據丟失

#numpy轉化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,否則可能出現意想不到的錯誤

不能從np.float64位轉化np.float32,會報錯

np.float64與np.float32相乘,結果為np.float64

在實際使用過程中,可以指定為np.float,也可以指定具體的位數,如np.float,不過直接指定np.float更方便。

torch數據類型轉化

torch使用torch.float()轉化數據類型,float默認轉化為32位,torch中沒有torch.float64()這個方法

# torch轉化float類型
b = torch.tensor([4,5,6])
b = b.float()
b.dtype
torch.float32

np.float64使用torch.from_numpy轉化為torch後也是64位的

print(a.dtype)
c = torch.from_numpy(a)
c.dtype

float64

torch.float64

不要用float代替torch.float,否則可能出現意想不到的錯誤

torch.float32與torch.float64數據類型相乘會出錯,因此相乘的時候註意指定或轉化數據float具體類型

np和torch數據類型轉化大體原理一樣,隻有相乘的時候,torch.float不一致不可相乘,np.float不一致可以相乘,並且轉化為np.float64

numpy和tensor互轉

tensor轉化為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int型是64位的,numpy默認int型是32位的

補充:torch.from_numpy VS torch.Tensor

最近在造dataset的時候,突然發現,在輸入圖像轉tensor的時候,我可以用torch.Tensor直接強制轉型將numpy類轉成tensor類,也可以用torch.from_numpy這個方法將numpy類轉換成tensor類,那麼,torch.Tensor和torch.from_numpy這兩個到底有什麼區別呢?既然torch.Tensor能搞定,那torch.from_numpy留著不就是冗餘嗎?

答案

有區別,使用torch.from_numpy更加安全,使用tensor.Tensor在非float類型下會與預期不符。

解釋

實際上,兩者的區別是大大的。打個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強制轉int32,隻要是高位轉低位,一定會出現高位被抹去的隱患的,不僅僅可能會丟失精度,甚至會正負對調。

這裡的torch.Tensor與torch.from_numpy也會存在同樣的問題。

看看torch.Tensor的文檔,裡面清楚地說明瞭,

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、當轉換的源是float類型,torch.Tensor與torch.from_numpy會共享一塊內存!且轉換後的結果的類型是torch.float32

2、當轉換的源不是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,下面是一個簡單的例子:

import torch
import numpy as nps1 = np.arange(10, dtype=np.float32)
s2 = np.arange(10) # 默認的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)

以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。

推薦閱讀: