Pytorch如何實現變量類型轉換？

這篇文章主要介紹了Pytorch如何實現變量類型轉換？，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

pytorch變量類型是各種各樣的Tensor,Tensor可以理解為高維矩陣。pytorch變量類型轉換實際上就是矩陣之間的轉換，那么我們真沒進行pytorch變量類型轉換呢？請繼續看下去：

與Numpy中的Array類似。Pytorch中的tensor又包括CPU上的數據類型和GPU上的數據類型，一般GPU上的Tensor是CPU上的Tensor加cuda()函數得到。通過使用Type函數可以查看變量類型。

一般系統默認是torch.FloatTensor類型。

例如data = torch.Tensor(2,3)是一個2*3的張量，類型為FloatTensor; data.cuda()就轉換為GPU的張量類型，torch.cuda.FloatTensor類型。

下面簡單介紹一下Pytorch中變量之間的相互轉換

（1）CPU或GPU張量之間的轉換

一般只要在Tensor后加long(), int(), double(),float(),byte()等函數就能將Tensor進行類型轉換；

例如：Torch.LongTensor--->Torch.FloatTensor, 直接使用data.float()即可

還可以使用type()函數，data為Tensor數據類型，data.type()為給出data的類型，如果使用data.type(torch.FloatTensor)則強制轉換為torch.FloatTensor類型張量。

當你不知道要轉換為什么類型時，但需要求a1,a2兩個張量的乘積，可以使用a1.type_as(a2)將a1轉換為a2同類型。

（2）CPU張量 ----> GPU張量, 使用data.cuda()

（3）GPU張量 ----> CPU張量 使用data.cpu()

（4）Variable變量轉換成普通的Tensor，其實可以理解Variable為一個Wrapper，里頭的data就是Tensor. 如果Var是Variable變量，使用Var.data獲得Tensor變量

（5）Tensor與Numpy Array之間的轉換

Tensor---->Numpy 可以使用 data.numpy()，data為Tensor變量

Numpy ----> Tensor 可以使用torch.from_numpy(data)，data為numpy變量

補充：Numpy/Pytorch之數據類型與強制類型轉換

1.數據類型簡介

Numpy

NumPy 支持比 Python 更多種類的數值類型。 下表顯示了 NumPy 中定義的不同標量數據類型。

直接使用類型名很可能會報錯，正確的使用方式是np.調用，eg, np.uint8

Pytorch

Torch定義了七種CPU張量類型和八種GPU張量類型,這里我們就只講解一下CPU中的，其實GPU中只是中間加一個cuda即可，如torch.cuda.FloatTensor：

torch.FloatTensor(2,3) 構建一個2*3 Float類型的張量

torch.DoubleTensor(2,3) 構建一個2*3 Double類型的張量

torch.ByteTensor(2,3) 構建一個2*3 Byte類型的張量

torch.CharTensor(2,3) 構建一個2*3 Char類型的張量

torch.ShortTensor(2,3) 構建一個2*3 Short類型的張量

torch.IntTensor(2,3) 構建一個2*3 Int類型的張量

torch.LongTensor(2,3) 構建一個2*3 Long類型的張量

同樣，直接使用類型名很可能會報錯，正確的使用方式是torch.調用，eg，torch.FloatTensor()

2.Python的type()函數

type函數可以由變量調用，或者把變量作為參數傳入。

返回的是該變量的類型，而非數據類型。

data = np.random.randint(0, 255, 300)
print(type(data))

輸出

<class 'numpy.ndarray'>

3.Numpy/Pytorch的dtype屬性

返回值為變量的數據類型

t_out = torch.Tensor(1,2,3)
print(t_out.dtype)

輸出

torch.float32

t_out = torch.Tensor(1,2,3)

print(t_out.numpy().dtype)

輸出

float32

4.Numpy中的類型轉換

先聊聊我為什么會用到這個函數（不看跳過）

為了實施trochvision.transforms.ToPILImage()函數

于是我想從numpy的ndarray類型轉成PILImage類型

我做了以下嘗試

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()

但是很遺憾，報錯了

raise TypeError('Input type {} is not supported'.format(npimg.dtype))

TypeError: Input type int32 is not supported

因為要將ndarray轉成PILImage要求ndarray是uint8類型的。

于是我認輸了。。。

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()

得到了輸出

uint8

嗯，顯示了一張圖片

但是呢，就很憋屈，和想要的隨機數效果不一樣。

于是我用了astype函數

astype()函數

由變量調用，但是直接調用不會改變原變量的數據類型，是返回值是改變類型后的新變量，所以要賦值回去。

n_out = n_out.astype(np.uint8)

#初始化隨機數種子
np.random.seed(0)
 
data = np.random.randint(0, 255, 300)
print(data.dtype)
n_out = data.reshape(10,10,3)
 
#強制類型轉換
n_out = n_out.astype(np.uint8)
print(n_out.dtype)
 
img = transforms.ToPILImage()(n_out)
img.show()

輸出

int32

uint8

5.Pytorch中的類型轉換

pytorch中沒有astype函數，正確的轉換方法是

Way1 : 變量直接調用類型

tensor = torch.Tensor(3, 5)

torch.long() 將tensor投射為long類型

newtensor = tensor.long()

torch.half()將tensor投射為半精度浮點類型

newtensor = tensor.half()

torch.int()將該tensor投射為int類型

newtensor = tensor.int()

torch.double()將該tensor投射為double類型

newtensor = tensor.double()

torch.float()將該tensor投射為float類型

newtensor = tensor.float()

torch.char()將該tensor投射為char類型

newtensor = tensor.char()

torch.byte()將該tensor投射為byte類型

newtensor = tensor.byte()

torch.short()將該tensor投射為short類型

newtensor = tensor.short()

同樣，和numpy中的astype函數一樣，是返回值才是改變類型后的結果，調用的變量類型不變

Way2 : 變量調用pytorch中的type函數

type(new_type=None, async=False)如果未提供new_type，則返回類型，否則將此對象轉換為指定的類型。 如果已經是正確的類型，則不會執行且返回原對象。

用法如下：

self = torch.LongTensor(3, 5)
# 轉換為其他類型
print self.type(torch.FloatTensor)

Way3 : 變量調用pytorch中的type_as函數

如果張量已經是正確的類型，則不會執行操作。具體操作方法如下：

self = torch.Tensor(3, 5)
tesnor = torch.IntTensor(2,3)
print self.type_as(tesnor)

感謝你能夠認真閱讀完這篇文章，希望小編分享的“Pytorch如何實現變量類型轉換？”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!