自己一直以來都是使用的pytorch，最近打算好好的看下tensorflow，新開一個系列：pytorch和tensorflow的愛恨情仇（相愛相殺。。。）
無論學習什么框架或者是什么編程語言，最基礎的就是其基本的數據類型了，接下來我們就一一看看吧。
pytorch版本：0.4.1，准備之后換成1.x版本的。
tensorflow版本：1.15.0，雖然目前tensorflow已經出到2.x版本了，但據說2.x版本的還存在一些bug，就使用目前的1.x版本的了。
1、python基本數據類型
數字型：整型、浮點型、布爾型、復數型。
非數字型：字符串、列表、元組、字典。
使用type可以查看變量的類型：type(變量名)
2、numpy中的數據類型
| 名稱 | 描述 |
|---|---|
| bool_ | 布爾型數據類型（True 或者 False） |
| int_ | 默認的整數類型（類似於 C 語言中的 long，int32 或 int64） |
| intc | 與 C 的 int 類型一樣，一般是 int32 或 int 64 |
| intp | 用於索引的整數類型（類似於 C 的 ssize_t，一般情況下仍然是 int32 或 int64） |
| int8 | 字節（-128 to 127） |
| int16 | 整數（-32768 to 32767） |
| int32 | 整數（-2147483648 to 2147483647） |
| int64 | 整數（-9223372036854775808 to 9223372036854775807） |
| uint8 | 無符號整數（0 to 255） |
| uint16 | 無符號整數（0 to 65535） |
| uint32 | 無符號整數（0 to 4294967295） |
| uint64 | 無符號整數（0 to 18446744073709551615） |
| float_ | float64 類型的簡寫 |
| float16 | 半精度浮點數，包括：1 個符號位，5 個指數位，10 個尾數位 |
| float32 | 單精度浮點數，包括：1 個符號位，8 個指數位，23 個尾數位 |
| float64 | 雙精度浮點數，包括：1 個符號位，11 個指數位，52 個尾數位 |
| complex_ | complex128 類型的簡寫，即 128 位復數 |
| complex64 | 復數，表示雙 32 位浮點數（實數部分和虛數部分） |
| complex128 | 復數，表示雙 64 位浮點數（實數部分和虛數部分） |
numpy 的數值類型實際上是 dtype 對象的實例，並對應唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
這里簡要的看下例子，一般情況下我們是這么定義一個數組的：
當然，我們也可以使用如下方式定義：先指定數組中元素的類型，再創建數組
為什么我們要這么定義呢，這么定義不是沒有第一種簡便嗎？這是因為，通過這種方式，我們可以定義自己的數據類型：
這里的i1指代的是int8,
每個內建類型都有一個唯一定義它的字符代碼，如下：
| 字符 | 對應類型 |
|---|---|
| b | 布爾型 |
| i | (有符號) 整型 |
| u | 無符號整型 integer |
| f | 浮點型 |
| c | 復數浮點型 |
| m | timedelta（時間間隔） |
| M | datetime（日期時間） |
| O | (Python) 對象 |
| S, a | (byte-)字符串 |
| U | Unicode |
| V | 原始數據 (void) |
於是乎，請看以下例子：
說到數據類型，就不得不涉及到數據類型之間的轉換，自然而然首先想到的是通過修改dtype的類型來修改數據的類型，但是這存在一些問題，請看以下例子：
>>> 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) #原來float64相當於4個int16的位寬，這樣強制轉換后會將他們直接拆開成4個數， #因此原來的兩個float64成了8個int16
我們要使用astype來修改數據類型，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的數據類型並沒有變 >>> a=a.astype(np.int16) #賦值操作后a的數據類型變化 >>> a.dtype dtype('int16') >>> a array([1, 1], dtype=int16)
參考：
https://www.runoob.com/numpy/numpy-dtype.html
https://blog.csdn.net/miao20091395/article/details/79276721
3、pytorch中的數據類型
看以下例子：默認使用的數據類型是torch.float32
當然，你也可以指定生成張量的類別，通過以下方式：
在多數情況下，我們都會使用pytorch自帶的函數建立張量，看以下例子：
通過以下兩種方式可以查看張量的數據類型：
接下來還是要看下數據類型之間的轉換，主要有三點：張量之間的數據類型的轉換、張量和numpy數組之間的轉換、cuda張量和cpu張量的轉換
（1） 不同張量之間的類型轉換
直接使用(.類型)即可：
我們還可以使用type()來進行轉換：
我們同樣可以使用type_as()將某個張量的數據類型轉換為另一個張量的相同的數據類型：
（2）張量和numpy之間的轉換
將numpy數組轉換為張量：使用from_numpy()
將張量轉換為numoy數組：使用.numpy()
（3） cuda類型和cpu類型之間的轉換
cpu類型轉換成cuda類型：
a.cuda()或者a.to(device)：這里的device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
cuda類型轉換為cpu類型：
a.cpu()
這里需要提一句的是，要先將cuda類型轉換為cpu類型，才能進一步將該類型轉換為numpy類型。
3、tensorflow基本數據類型
定義一個張量：
使用tf.constant建立一個常量，注意：常量是不進行梯度更新的。
（1）張量之間的類型轉換：可以使用tf.to_類型()或者tf.cast()，不過前者將要被移除，最好使用tf.cast()
（2） 張量和numpy之間的類型轉換
numpy轉張量：使用tf.convert_to_tensor()
張量轉numpy：由Session.run或eval返回的任何張量都是NumPy數組。
（3）tensorflow好像不存在什么gpu張量和cpu張量類型
如果有什么錯誤還請指出，有什么遺漏的還請補充，會進行相應的修改。