自己一直以来都是使用的pytorch，最近打算好好的看下tensorflow，新开一个系列：pytorch和tensorflow的爱恨情仇（相爱相杀。。。）

无论学习什么框架或者是什么编程语言，最基础的就是其基本的数据类型了，接下来我们就一一看看吧。

1、python基本数据类型

数字型：整型、浮点型、布尔型、复数型。

非数字型：字符串、列表、元组、字典。

使用type可以查看变量的类型：type(变量名)

2、numpy中的数据类型

名称	描述
bool_	布尔型数据类型（True 或者 False）
int_	默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc	与 C 的 int 类型一样，一般是 int32 或 int 64
intp	用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
int8	字节（-128 to 127）
int16	整数（-32768 to 32767）
int32	整数（-2147483648 to 2147483647）
int64	整数（-9223372036854775808 to 9223372036854775807）
uint8	无符号整数（0 to 255）
uint16	无符号整数（0 to 65535）
uint32	无符号整数（0 to 4294967295）
uint64	无符号整数（0 to 18446744073709551615）
float_	float64 类型的简写
float16	半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32	单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64	双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex_	complex128 类型的简写，即 128 位复数
complex64	复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128	复数，表示双 64 位浮点数（实数部分和虚数部分）

numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。

这里简要的看下例子，一般情况下我们是这么定义一个数组的：

当然，我们也可以使用如下方式定义：先指定数组中元素的类型，再创建数组

为什么我们要这么定义呢，这么定义不是没有第一种简便吗？这是因为，通过这种方式，我们可以定义自己的数据类型：

这里的i1指代的是int8,

每个内建类型都有一个唯一定义它的字符代码，如下：

字符	对应类型
b	布尔型
i	(有符号) 整型
u	无符号整型 integer
f	浮点型
c	复数浮点型
m	timedelta（时间间隔）
M	datetime（日期时间）
O	(Python) 对象
S, a	(byte-)字符串
U	Unicode
V	原始数据 (void)

于是乎，请看以下例子：

说到数据类型，就不得不涉及到数据类型之间的转换，自然而然首先想到的是通过修改dtype的类型来修改数据的类型，但是这存在一些问题，请看以下例子：

>>> a=np.array([1.1, 1.2])
>>> a.dtype
dtype('float64')
>>> a.dtype=np.int16
>>> a.dtype
dtype('int16') 
>>> a
array([-26214, -26215, -26215,  16369,  13107,  13107,  13107,  16371], dtype=int16)
#原来float64相当于4个int16的位宽，这样强制转换后会将他们直接拆开成4个数，
#因此原来的两个float64成了8个int16

我们要使用astype来修改数据类型，看一下例子：

>>> a=np.array([1.1, 1.2])
>>> a.dtype
dtype('float64')
>>> a.astype(np.int16)
array([1, 1], dtype=int16)
>>> a.dtype
dtype('float64') #a的数据类型并没有变
>>> a=a.astype(np.int16) #赋值操作后a的数据类型变化
>>> a.dtype
dtype('int16')
>>> a
array([1, 1], dtype=int16)

 参考：

https://www.runoob.com/numpy/numpy-dtype.html

https://blog.csdn.net/miao20091395/article/details/79276721

3、pytorch中的数据类型

看以下例子：默认使用的数据类型是torch.float32

当然，你也可以指定生成张量的类别，通过以下方式：

在多数情况下，我们都会使用pytorch自带的函数建立张量，看以下例子：

通过以下两种方式可以查看张量的数据类型：

接下来还是要看下数据类型之间的转换，主要有三点：张量之间的数据类型的转换、张量和numpy数组之间的转换、cuda张量和cpu张量的转换

（1） 不同张量之间的类型转换

直接使用(.类型)即可：

我们还可以使用type()来进行转换：

我们同样可以使用type_as()将某个张量的数据类型转换为另一个张量的相同的数据类型：

（2）张量和numpy之间的转换

将numpy数组转换为张量：使用from_numpy()

将张量转换为numoy数组：使用.numpy()

（3） cuda类型和cpu类型之间的转换

cpu类型转换成cuda类型：

a.cuda()或者a.to(device)：这里的device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

cuda类型转换为cpu类型：

a.cpu()

这里需要提一句的是，要先将cuda类型转换为cpu类型，才能进一步将该类型转换为numpy类型。

3、tensorflow基本数据类型

定义一个张量：

使用tf.constant建立一个常量，注意：常量是不进行梯度更新的。

（1）张量之间的类型转换：可以使用tf.to_类型()或者tf.cast()，不过前者将要被移除，最好使用tf.cast()

 

（2） 张量和numpy之间的类型转换

numpy转张量：使用tf.convert_to_tensor()

张量转numpy：由Session.run或eval返回的任何张量都是NumPy数组。

（3）tensorflow好像不存在什么gpu张量和cpu张量类型

 

如果有什么错误还请指出，有什么遗漏的还请补充，会进行相应的修改。