python-3.x - numpy中的dtype =和.astype()有什么区别？

上下文:我想将numpy ndarrays与float32一起使用，而不是float64。

编辑:其他上下文-我担心numpy如何执行这些调用，因为它们将作为神经网络中反向传播例程的一部分反复发生。我希望网络可以将float32中的所有加/减/乘/除运算用于验证目的，因为我想将结果与另一个小组的工作进行比较。像randn这样的方法的初始化似乎总是从float64-> float32进行.astype()强制转换。例如，如果我使用ndarray，则float32的类型为np.dot时，这些乘法是否会在float32中发生？我该如何验证？

该文档对我来说不清楚-http://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.html

我发现我可以将.astype('float32')添加到numpy调用的末尾，例如np.random.randn(y, 1).astype('float32')。

我还看到dtype=np.float32是一个选项，例如np.zeros(5, dtype=np.float32)。但是，尝试np.random.randn((y, 1), dtype=np.float32)返回以下错误:

    b = np.random.randn((3,1), dtype=np.float32)
TypeError: randn() got an unexpected keyword argument 'dtype'

使用float32和dtype将类型声明为.astype()和有什么区别？
b = np.zeros(5, dtype=np.float32)和b = np.zeros(5).astype('float32')在使用以下方式评估时:

print(type(b))
print(b[0])
print(type(b[0]))

打印:

[ 0.  0.  0.  0.  0.]
<class 'numpy.ndarray'>
0.0
<class 'numpy.float32'>

最佳答案

让我们看看我是否可以解决我在评论中看到的一些困惑。
制作一个数组:

In [609]: x=np.arange(5)
In [610]: x
Out[610]: array([0, 1, 2, 3, 4])
In [611]: x.dtype
Out[611]: dtype('int32')

arange的默认值为int32。astype是一个数组方法；它可以在任何数组上使用:

In [612]: x.astype(np.float32)
Out[612]: array([ 0.,  1.,  2.,  3.,  4.], dtype=float32)

arange也采用dtype参数

In [614]: np.arange(5, dtype=np.float32)
Out[614]: array([ 0.,  1.,  2.,  3.,  4.], dtype=float32)

它是先创建一个int数组然后进行转换，还是直接使float32成为我无关紧要的问题。这是基本操作，以编译代码完成。
我还可以给它一个float stop值，在这种情况下，它将给我一个float数组-默认的float类型。

In [615]: np.arange(5.0)
Out[615]: array([ 0.,  1.,  2.,  3.,  4.])
In [616]: _.dtype
Out[616]: dtype('float64')

zeros相似；默认的dtype是float64，但是我可以使用参数来更改它。由于它的主要任务是分配内存，并且它不需要执行任何计算，因此我确定它会立即创建所需的dtype，而无需进行进一步的转换。但是，这又是经过编译的代码，我不必担心它在幕后所做的事情。

In [618]: np.zeros(5)
Out[618]: array([ 0.,  0.,  0.,  0.,  0.])
In [619]: _.dtype
Out[619]: dtype('float64')
In [620]: np.zeros(5,dtype=np.float32)
Out[620]: array([ 0.,  0.,  0.,  0.,  0.], dtype=float32)

randn涉及大量计算，并且显然可以编译为使用默认的float类型。它不需要dtype。但是由于结果是一个数组，因此可以使用astype进行强制转换。

In [623]: np.random.randn(3)
Out[623]: array([-0.64520949,  0.21554705,  2.16722514])
In [624]: _.dtype
Out[624]: dtype('float64')
In [625]: __.astype(np.float32)
Out[625]: array([-0.64520949,  0.21554704,  2.16722512], dtype=float32)

让我强调一下astype是数组的方法。它获取数组的值并生成一个具有所需dtype的新数组。它不会对数组本身或创建该数组的函数进行追溯(或就地)操作。astype的效果通常(总是？)与dtype参数相同，但是操作顺序不同。
在https://stackoverflow.com/a/39625960/901925中，我描述了一个稀疏矩阵创建器，该创建器采用dtype参数，并在最后使用astype方法调用来实现它。
当您进行诸如dot或*之类的计算时，它会尝试将输出dtype与输入进行匹配。在混合类型的情况下，它具有更高精度的替代方案。

In [642]: np.arange(5,dtype=np.float32)*np.arange(5,dtype=np.float64)
Out[642]: array([  0.,   1.,   4.,   9.,  16.])
In [643]: _.dtype
Out[643]: dtype('float64')
In [644]: np.arange(5,dtype=np.float32)*np.arange(5,dtype=np.float32)
Out[644]: array([  0.,   1.,   4.,   9.,  16.], dtype=float32)

有强制转换规则。查找这些内容的一种方法是使用can_cast函数:

In [649]: np.can_cast(np.float64,np.float32)
Out[649]: False
In [650]: np.can_cast(np.float32,np.float64)
Out[650]: True

在某些计算中，可能会将32转换为64，然后进行计算，然后再转换回32。其目的是避免舍入误差。但是我不知道您是如何从文档或测试中找到答案的。

关于python-3.x - numpy中的dtype =和.astype()有什么区别？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39623429/