Python各种数据类型转化

---

前言

本文主要介绍Python一些常见的数据格式之间的转换方法，尤其是和Pytorch中tensor类型进行相关转换的数据操作。

一、Numpy

Numpy创建的默认浮点类型是np.float64
Numpy创建的整数ndarrays是np.int32

（1）numpy 转化为tensor

1.直接使用torch.tensor函数--------深拷贝

2.使用torch.from_numpy方法------浅拷贝

这两个方法比较而言，使用torch.from_numpy方法更好，更安全。

当只有一个元素(size =1)时，利用item()方法可以转化标量。

（2）numpy 转化为list

1.numpy自带函数 nump.tolist()——要注意列表中数据的维度

（3）numpy 转化为PIL.Image数据类型

1.使用Image.fromarray()方法

注意：Image.fromarray()对输入的dtype的要求是uint8类型

（4）numpy 转化为pandas数据类型

1.使用pd.DataFrame()方法

二、Tensor

torch中tensor默认的浮点类型是float32类型
torch中tensor默认的整数类型是int64类型
【注意和numpy的区别】

首先看一下torch.tensor()和torch.Tensor()这两个方法。两者都是深拷贝方法，返回张量的同时，与原数据不共享内存，因此不受原数据改变的影响。

再来了解一下的区别：

• torch.Tensor()是torch.FloatTensor()的别名，是一个python类，所有的tensor 都是torch.Tensor的实例。将输入转换为torch.FloatTensor()
• torch.tensor()是一个函数。根据输入的数据类型转换为对应的数据类型。

创建空的tensot的方法：

#两种方法
torch.Tensor()
torch.tensor(())

（1）万能转换方法：torch.as_tensor()方法，将其他类型转换为tensor类型。

torch.as_tensor(data, dtype=None, device=None)->Tensor

data：可以是list, tuple, ndarray, scalar等类型
dtype：可以指定tensor中数据的类型，
device：指定返回tensor所在的位置，默认是cpu

注意：torch.as_tensor()默认情况下是一个浅拷贝方法，当指定的dtype和data的类型不一致时才是深拷贝。

（2）tensor 转化为numpy

1.使用 .numpy 函数--------浅拷贝

2.使用 torch.Tensor.numpy() 函数--------浅拷贝

（3）tensor在cpu和gpu上的转换

在使用Pytorch训练的过程中经常要将数据放到gpu上训练，或者是将GPU上训练好的模型数据放在cpu上测试。所以tensor类型经常要来回转换，下面简单介绍一些之间的转换方法。

1.从CPU转换到GPU

1.使用 .cuda()方法

2.使用torch.set_default_tensor_type() 方法，将默认的浮点类型设置为cuda类型。

2.从GPU转换到CPU

#把数据转到CPU----.cpu()方法
gpu_tensor.cpu()

常用写法：
若gpu存在，则放到gpu上；否则放在cpu上。

device = torch.device('cuda' if torch.cuda.is_available()  else 'cpu')
tensor1 = tensor1.to(device)
tensor2 = tensor2.to(device)
#......

（4）tensor转换成标量

和前面一样，使用item()方法

（5）tensor转换成List

1.tolist方法

三、读取图片时的数据类型

（1）cv2

读取图像时主要使用cv2.imread() 函数
用法为：

img = cv2.imread(filename, flags)
#filename：图片路径
#flags：读取图片的格式。默认为1：彩色图片；0：灰度图片；

而且返回的是numpy类型。

注意：

• cv2.imread()函数读取的图片通道保存顺序为BGR，不是RGB。使用cv2.imshow()可以正常显示，使用其他库显示时要进行转换。
• 对cv2.imread()读取的图像转换成数组后的形状是【H,W,C】；而Pytorch中要求输入的形状是【B,C,H,W】。
  而在利用深度学习训练的过程中，经常要将numpy数组转换为Tensor类型，我们可以采用tensor = torchvision.transforms.ToTensor()(numpy)就可以实现这个转换。但是最好不要采用下面方法进行转换，虽然也行，但是可能会导致图片出现一些失真的问题。👀

# 假设img为numpy数组
img = np.transpose(img,(2,0,1))
img = torch.tensor(img,dtype=torch.float).cuda()
img = img.unsqueeze(0)

• cv2.imread()不支持中文路径，如果不想改路径名称，可以按照以下方法读取：

import numpy as np
import cv2
img=cv2.imdecode(np.fromfile(imgpath, dtype=np.uint8), cv2.IMREAD_COLOR)

• 使用cv2.imshow()显示时可能出现图片一闪而过的情况，可以添加一行语句：cv2.waitKey(0)；而且imshow()中的第一个窗口名称不能省略。
  
  正确显示：
  

（2）PIL

读取和显示图像方法如下：

from PIL import Image
img = Image.open('E:\A.png')
img.show()
print(type(img))

输出：

• Image读取的图片格式是 W x H格式的，读入的是“RGB”，转换成numnpy后的shape大小为
  【C，H，W】

1.PIL转换成tensor

要用到pytorch里的图形库torchvision，而torchvision.transforms主要是用于常见的一些图形变换。

用法如下：
别写成了：torchvision.transforms.ToTensor(img)

注意：ToTensor()方法转化为tensor时会把灰度范围从0-255变换到0-1之间

---

总结

其实还有很多内容，后续再补充。