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。。。）
無論學習什麼框架或者是什麼程式語言，最基礎的就是其基本的資料型別了，接下來我們就一一看看吧。
pytorch版本：0.4.1，準備之後換成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基本資料型別
數字型：整型、浮點型、布林型、複數型。
非數字型：字串、列表、元組、字典。
使用type可以檢視變數的型別：type(變數名)
2、numpy中的資料型別
| 名稱 | 描述 |
|---|---|
| bool_ | 布林型資料型別（True 或者 False） |
| int_ | 預設的整數型別（類似於 C 語言中的 long，int32 或 int64） |
| intc | 與 C 的 int 型別一樣，一般是 int32 或 int 64 |
| intp | 用於索引的整數型別（類似於 C 的 ssize_t，一般情況下仍然是 int32 或 int64） |
| int8 | 位元組（-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 型別的簡寫 |
| 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 型別的簡寫，即 128 位複數 |
| complex64 | 複數，表示雙 32 位浮點數（實數部分和虛數部分） |
| complex128 | 複數，表示雙 64 位浮點數（實數部分和虛數部分） |
numpy 的數值型別實際上是 dtype 物件的例項，並對應唯一的字元，包括 np.bool_，np.int32，np.float32，等等。
這裡簡要的看下例子，一般情況下我們是這麼定義一個陣列的：
當然，我們也可以使用如下方式定義：先指定陣列中元素的型別，再建立陣列
為什麼我們要這麼定義呢，這麼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資料型別：
這裡的i1指代的是int8,
每個內建型別都有一個唯一定義它的字元程式碼，如下：
| 字元 | 對應型別 |
|---|---|
| b | 布林型 |
| i | (有符號) 整型 |
| u | 無符號整型 integer |
| f | 浮點型 |
| c | 複數浮點型 |
| m | timedelta（時間間隔） |
| M | datetime（日期時間） |
| O | (Python) 物件 |
| S, a | (byte-)字串 |
| U | Unicode |
| V | 原始資料 (void) |
於是乎，請看以下例子：
說到資料型別，就不得不涉及到資料型別之間的轉換，自然而然首先想到的是通過修改dtype的型別來修改資料的型別，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，這樣強制轉換後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來修改資料型別，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的資料型別並沒有變 >>> a=a.astype(np.int16) #賦值操作後a的資料型別變化 >>> 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中的資料型別
看以下例子：預設使用的資料型別是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自帶的函式建立張量，看以下例子：
通過以下兩種方式可以檢視張量的資料型別：
接下來還是要看下資料型別之間的轉換，主要有三點：張量之間的資料型別的轉換、張量和numpy陣列之間的轉換、cuda張量和cpu張量的轉換
（1） 不同張量之間的型別轉換
直接使用(.型別)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()將某個張量的資料型別轉換為另一個張量的相同的資料型別：
（2）張量和numpy之間的轉換
將numpy陣列轉換為張量：使用from_numpy()
將張量轉換為numoy陣列：使用.numpy()
（3） cuda型別和cpu型別之間的轉換
cpu型別轉換成cuda型別：
a.cuda()或者a.to(device)：這裡的device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
cuda型別轉換為cpu型別：
a.cpu()
這裡需要提一句的是，要先將cuda型別轉換為cpu型別，才能進一步將該型別轉換為numpy型別。
3、tensorflow基本資料型別
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）張量之間的型別轉換：可以使用tf.to_型別()或者tf.cast()，不過前者將要被移除，最好使用tf.cast()
（2） 張量和numpy之間的型別轉換
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陣列。
（3）tensorflow好像不存在什麼gpu張量和cpu張量型別
如果有什麼錯誤還請指出，有什麼遺漏的還請補充，會進行相應的修改。