小编给大家分享一下怎么解决numpy和torch数据类型转化的问题，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！
在实际计算过程中，float类型使用最多，因此这里重点介绍numpy和torch数据float类型转化遇到的问题，其他类型同理。
numpy数据类型转化
numpy使用astype转化数据类型，float默认转化为64位，可以使用np.float32指定为32位
#numpy转化float类型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指定数据类型，会使数据丢失
#numpy转化float类型b= np.array([1,2,3])b.dtype= np.float32print(b)print(b.dtype)[1.e-45 3.e-45 4.e-45]
float32
不要用float代替np.float，否则可能出现意想不到的错误
不能从np.float64位转化np.float32，会报错
np.float64与np.float32相乘，结果为np.float64
在实际使用过程中，可以指定为np.float，也可以指定具体的位数，如np.float，不过直接指定np.float更方便。
torch数据类型转化
torch使用torch.float()转化数据类型，float默认转化为32位，torch中没有torch.float64()这个方法
# torch转化float类型b = torch.tensor([4,5,6])b = b.float()b.dtypetorch.float32np.float64使用torch.from_numpy转化为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，否则可能出现意想不到的错误
torch.float32与torch.float64数据类型相乘会出错，因此相乘的时候注意指定或转化数据float具体类型
np和torch数据类型转化大体原理一样，只有相乘的时候，torch.float不一致不可相乘，np.float不一致可以相乘，并且转化为np.float64
numpy和tensor互转
tensor转化为numpy
import torchb = torch.tensor([4.0,6])# b = b.float()print(b.dtype)c = b.numpy()print(c.dtype)torch.int64
int64
numpy转化为tensor
import torchimport numpy as npb= 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默认int型是64位的，numpy默认int型是32位的
补充：torch.from_numpy VS torch.Tensor
最近在造dataset的时候，突然发现，在输入图像转tensor的时候，我可以用torch.Tensor直接强制转型将numpy类转成tensor类，也可以用torch.from_numpy这个方法将numpy类转换成tensor类，那么，torch.Tensor和torch.from_numpy这两个到底有什么区别呢？既然torch.Tensor能搞定，那torch.from_numpy留着不就是冗余吗？
答案
有区别，使用torch.from_numpy更加安全，使用tensor.Tensor在非float类型下会与预期不符。
解释
实际上，两者的区别是大大的。打个不完全正确的比方说，torch.Tensor就如同c的int，torch.from_numpy就如同c++的static_cast，我们都知道，如果将int64强制转int32，只要是高位转低位，一定会出现高位被抹去的隐患的，不仅仅可能会丢失精度，甚至会正负对调。
这里的torch.Tensor与torch.from_numpy也会存在同样的问题。
看看torch.Tensor的文档，里面清楚地说明了，
torch.Tensor is an alias for the default tensor type (torch.FloatTensor).
而torch.from_numpy的文档则是说明，
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.
也即是说，
当转换的源是float类型，torch.Tensor与torch.from_numpy会共享一块内存！且转换后的结果的类型是torch.float32
当转换的源不是float类型，torch.Tensor得到的是torch.float32，而torch.from_numpy则是与源类型一致！
是不是很神奇，下面是一个简单的例子：
import torchimport numpy as nps1 = np.arange(10, dtype=np.float32)s2 = np.arange(10) # 默认的dtype是int64# 例一o11 = torch.Tensor(s1)o12 = torch.from_numpy(s1)o11.dtype # torch.float32o12.dtype # torch.float32# 修改值o11[0] = 12o12[0] # tensor(12.)# 例二o21 = torch.Tensor(s2)o22 = torch.from_numpy(s2)o21.dtype # torch.float32o22.dtype # torch.int64# 修改值o21[0] = 12o22[0] # tensor(0)以上是“怎么解决numpy和torch数据类型转化的问题”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注编程网行业资讯频道！
