tensorflow中的數(shù)據(jù)類型dtype用法說明
Tensorflow中，主要有以下幾種數(shù)據(jù)類型（dtype），在舊版本中，不用加tf也能使用。
有符號(hào)整型
tf.int8：8位整數(shù)。
tf.int16：16位整數(shù)。
tf.int32：32位整數(shù)。
tf.int64：64位整數(shù)。
無符號(hào)整型
tf.uint8：8位無符號(hào)整數(shù)。
tf.uint16：16位無符號(hào)整數(shù)。
浮點(diǎn)型
tf.float16：16位浮點(diǎn)數(shù)。
tf.float32：32位浮點(diǎn)數(shù)。
tf.float64：64位浮點(diǎn)數(shù)。
tf.double：等同于tf.float64。
字符串型
tf.string：字符串。
布爾型
tf.bool：布爾型。
復(fù)數(shù)型
tf.complex64：64位復(fù)數(shù)。
tf.complex128：128位復(fù)數(shù)。
補(bǔ)充：tensorflow及numpy的數(shù)據(jù)類型對(duì)象Dtype總結(jié)
1.dtyte與astype
dtype:查看數(shù)據(jù)類型
astype：轉(zhuǎn)換數(shù)據(jù)類型
2.tensorlow數(shù)據(jù)類型對(duì)象Dtype
| 名稱 | 描述 |
|---|---|
| tf.float16 | 16位半精度浮點(diǎn) |
| tf.float32 | 32位單精度浮點(diǎn) |
| tf.float64 | 64位雙精度浮點(diǎn) |
| tf.bfloat16 | 16位截?cái)喔↑c(diǎn) |
| tf.complex64 | 64位單精度復(fù)數(shù) |
| tf.complex128 | 128位雙精度復(fù)數(shù) |
| tf.int8 | 8位有符號(hào)整數(shù) |
| tf.uint8 | 8位無符號(hào)整數(shù) |
| tf.uint16 | 16位無符號(hào)整數(shù) |
| tf.int16 | 16位有符號(hào)整數(shù) |
| tf.int32 | 32位有符號(hào)整數(shù) |
| tf.int64 | 64位有符號(hào)整數(shù) |
| tf.bool | 布爾值 |
| tf.string | 字符串 |
| tf.qint8 | 量化的8位帶符號(hào)整數(shù) |
| tf.quint8 | 量化的8位無符號(hào)整數(shù) |
| tf.qint16 | 量化的16位有符號(hào)整數(shù) |
| tf.quint16 | 量化的16位無符號(hào)整數(shù) |
| tf.qint32 | 量化的32位有符號(hào)整數(shù) |
tf.as_dtype()函數(shù)將numpy類型和字符串類型名稱轉(zhuǎn)換為DType對(duì)象。
3.numpy數(shù)據(jù)類型對(duì)象dtype
| 名稱 | 描述 |
|---|---|
| np.bool_ | 布爾型數(shù)據(jù)類型 |
| np.int_ | 默認(rèn)的整數(shù)類型 |
| np.intc | 與 C 的 int 類型一樣，一般是 int32 或 int 64 |
| np.intp | 用于索引的整數(shù)類型，一般是 int32 或 int64 |
| np.int8 | 8位整數(shù)即1字節(jié)（-128 to 127） |
| np.int16 | 16位整數(shù)（-32768 to 32767） |
| np.int32 | 32位整數(shù)（-2147483648 to 2147483647） |
| np.int64 | 64位整數(shù)（-9223372036854775808 to 9223372036854775807） |
| np.uint8 | 8位無符號(hào)整數(shù)（0 to 255） |
| np.uint16 | 16位無符號(hào)整數(shù)（0 to 65535） |
| np.uint32 | 32位無符號(hào)整數(shù)（0 to 4294967295） |
| np.uint64 | 64位無符號(hào)整數(shù)（0 to 18446744073709551615） |
| np.float_ | float64 簡寫，即64位雙精度浮點(diǎn)數(shù) |
| np.float16 | 16位半精度浮點(diǎn)數(shù)，包括：1 個(gè)符號(hào)位，5 個(gè)指數(shù)位，10 個(gè)尾數(shù)位 |
| np.float32 | 32位 單精度浮點(diǎn)數(shù)，包括：1 個(gè)符號(hào)位，8 個(gè)指數(shù)位，23 個(gè)尾數(shù)位 |
| np.float64 | 64位雙精度浮點(diǎn)數(shù)，包括：1 個(gè)符號(hào)位，11 個(gè)指數(shù)位，52 個(gè)尾數(shù)位 |
| np.complex_ | complex128 簡寫，即 128 位復(fù)數(shù) |
| np.complex64 | 復(fù)數(shù)，表示雙 32 位浮點(diǎn)數(shù)（實(shí)數(shù)部分和虛數(shù)部分） |
| np.complex128 | 復(fù)數(shù)，表示雙 64 位浮點(diǎn)數(shù)（實(shí)數(shù)部分和虛數(shù)部分） |
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
在本篇文章里小編給大家整理的是一篇關(guān)于python爬蟲http代理使用方法相關(guān)內(nèi)容，有需要的朋友們可以跟著學(xué)習(xí)參考下。2021-09-09
PyCharm連接遠(yuǎn)程服務(wù)器配置的全過程
這篇文章主要介紹了PyCharm連接遠(yuǎn)程服務(wù)器配置的全過程,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-06-06
使用Python實(shí)現(xiàn)微信拍一拍功能的思路代碼
這篇文章主要介紹了使用Python實(shí)現(xiàn)微信“拍一拍”的思路代碼,，本文通過示例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-07-07
基于Python實(shí)現(xiàn)PDF動(dòng)畫翻頁效果的閱讀器
在這篇博客中,我們將深入分析一個(gè)基于 wxPython 實(shí)現(xiàn)的 PDF 閱讀器程序,該程序支持加載 PDF 文件并顯示頁面內(nèi)容,同時(shí)支持頁面切換動(dòng)畫效果,文中有詳細(xì)的代碼示例,需要的朋友可以參考下2025-01-01
Python中利用mpld3創(chuàng)建交互式Matplotlib圖表的代碼示例
mpld3 是一個(gè) Python 庫,它將 Matplotlib 圖表轉(zhuǎn)換為 D3.js（JavaScript 繪圖庫）可解釋的格式,從而實(shí)現(xiàn)了在瀏覽器中顯示并交互的功能,在本文中,我們將介紹如何使用 mpld3 在 Python 中創(chuàng)建交互式 Matplotlib 圖表,并提供代碼示例,需要的朋友可以參考下2024-05-05
這篇文章主要介紹了python getopt模塊使用實(shí)例解析,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-12-12
這篇文章主要為大家介紹了Windows下從源碼編譯PaddlePaddle解析，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-04-04
PyPDF2是一個(gè)Python庫,用于處理PDF文件,包括合并、分割、旋轉(zhuǎn)和提取文本等操作,它是一個(gè)功能強(qiáng)大且靈活的工具,可用于自動(dòng)化處理PDF文件,適用于各種應(yīng)用,從文檔管理到數(shù)據(jù)分析,本文將深入介紹PyPDF2庫,掌握如何利用它來處理PDF文件,需要的朋友可以參考下2023-11-11
Windows環(huán)境下如何使用Pycharm運(yùn)行sh文件
這篇文章主要介紹了Windows環(huán)境下如何使用Pycharm運(yùn)行sh文件,本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2023-02-02
如何利用opencv訓(xùn)練自己的模型實(shí)現(xiàn)特定物體的識(shí)別
在Python中通過OpenCV自己訓(xùn)練分類器進(jìn)行特定物體實(shí)時(shí)識(shí)別,下面這篇文章主要給大家介紹了關(guān)于如何利用opencv訓(xùn)練自己的模型實(shí)現(xiàn)特定物體的識(shí)別,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-10-10