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。
pytorch版本：0.4.1，准备之后换成1.x版本的。
tensorflow版本：1.15.0，虽然目前tensorflow已经出到2.x版本了，但据说2.x版本的还存在一些bug，就使用目前的1.x版本的了。
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：
代码语言：javascript复制>>> 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：
代码语言：javascript复制>>> 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。
