pytorch实现变量类型转换的方法有什么？
发布时间：2022-03-09 13:55:06 所属栏目：语言 来源：互联网
导读：这篇文章给大家分享的是有关pytorch实现变量类型转换的内容，其实变量类型转换的方法有很多，因此下面小编和大家一起探究变量类型转换的方法有哪些？怎样实现？感兴趣的朋友就继续往下看吧。 Pytorch的数据类型为各式各样的Tensor,Tensor可以理解为高维矩阵
|
这篇文章给大家分享的是有关pytorch实现变量类型转换的内容，其实变量类型转换的方法有很多，因此下面小编和大家一起探究变量类型转换的方法有哪些？怎样实现？感兴趣的朋友就继续往下看吧。 Pytorch的数据类型为各式各样的Tensor,Tensor可以理解为高维矩阵。与Numpy中的Array类似。Pytorch中的tensor又包括CPU上的数据类型和GPU上的数据类型，一般GPU上的Tensor是CPU上的Tensor加cuda()函数得到。通过使用Type函数可以查看变量类型。一般系统默认是torch.FloatTensor类型。 例如data = torch.Tensor(2,3)是一个2*3的张量，类型为FloatTensor; data.cuda()就转换为GPU的张量类型，torch.cuda.FloatTensor类型。 下面简单介绍一下Pytorch中变量之间的相互转换 （1）CPU或GPU张量之间的转换 一般只要在Tensor后加long(), int(), double(),float(),byte()等函数就能将Tensor进行类型转换； 例如：Torch.LongTensor--->Torch.FloatTensor, 直接使用data.float()即可 还可以使用type()函数，data为Tensor数据类型，data.type()为给出data的类型，如果使用data.type(torch.FloatTensor)则强制转换为torch.FloatTensor类型张量。 当你不知道要转换为什么类型时，但需要求a1,a2两个张量的乘积，可以使用a1.type_as(a2)将a1转换为a2同类型。 （2）CPU张量 ----> GPU张量, 使用data.cuda() （3）GPU张量 ----> CPU张量 使用data.cpu() （4）Variable变量转换成普通的Tensor，其实可以理解Variable为一个Wrapper，里头的data就是Tensor. 如果Var是Variable变量，使用Var.data获得Tensor变量 （5）Tensor与Numpy Array之间的转换 Tensor---->Numpy 可以使用 data.numpy()，data为Tensor变量 Numpy ----> Tensor 可以使用torch.from_numpy(data)，data为numpy变量 补充：Numpy/Pytorch之数据类型与强制类型转换 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 5.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)  （编辑：濮阳站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
