【MindSpore深度学习框架】MindSpore的数据类型

简介: 【MindSpore深度学习框架】MindSpore的数据类型

欢迎回到MindSpore神经网络编程系列。在这篇文章中,我们将通过了解MindSpore中的一些数据类型以及相应的转化。废话不多说,我们开始吧。


一、数据类型

1.数值类型数据

数据类型 描述
mindspore.int8 8-bit integer
mindspore.int16 16-bit integer
mindspore.int32 32-bit integer
mindspore.int64 64-bit integer
mindspore.uint8 unsigned 8-bit integer
mindspore.uint16 unsigned 16-bit integer
mindspore.uint32 unsigned 32-bit integer
mindspore.uint64 unsigned 64-bit integer
mindspore.float16 16-bit floating-point number
mindspore.float32 32-bit floating-point number
mindspore.float64 64-bit floating-point number
mindspore.bool_ Boolean True or False

2.其它数据类型

数据类型 描述
tensor MindSpore中的张量数据类型,用于存储数据使用
int_ 标量
uint 无符号整型标量
float_ 浮点标量
number_ 包括int_ , uint , float_ and bool_ .
list_ 集合包括tensor,[T0,T1,T2…Tn]
tuple_ 元组包括tensor,[T0,T1…Tn]
function 两种方式返回,当function不是None时,直接返回Func,另一种当function为None时返回Func(args: List[T0,T1,…,Tn], retval: T)
type_type 类型定义
type_none 如果没有匹配到数据类型,默认返回
symbolic_key 变量的值用作 env_type 中变量的键
env_type 用于存储函数的free变量的梯度,key为free变量节点的symbolic_key,value为梯度

二、代码解释

1.将mindspore数据类型转换为numpy数据类型

print(mindspore.dtype_to_nptype(mstype.int32))
print(mindspore.dtype_to_nptype(mstype.float32))
>>>
<class 'numpy.int32'>
<class 'numpy.float32'>

2.将python内置数据类型转换为midnspore数据类型

print(mindspore.pytype_to_dtype(int))
print(mindspore.pytype_to_dtype(list))
print(mindspore.pytype_to_dtype(float))
>>>
Int64
List
Float64

3.将mindspore数据类型转换为python内置数据类型

print(mindspore.dtype_to_pytype(mstype.float32))
>>>
<class 'float'>


目录
相关文章
|
19天前
|
机器学习/深度学习 存储 人工智能
MNN:阿里开源的轻量级深度学习推理框架,支持在移动端等多种终端上运行,兼容主流的模型格式
MNN 是阿里巴巴开源的轻量级深度学习推理框架,支持多种设备和主流模型格式,具备高性能和易用性,适用于移动端、服务器和嵌入式设备。
92 18
MNN:阿里开源的轻量级深度学习推理框架,支持在移动端等多种终端上运行,兼容主流的模型格式
|
2月前
|
机器学习/深度学习 监控 PyTorch
深度学习工程实践:PyTorch Lightning与Ignite框架的技术特性对比分析
在深度学习框架的选择上,PyTorch Lightning和Ignite代表了两种不同的技术路线。本文将从技术实现的角度,深入分析这两个框架在实际应用中的差异,为开发者提供客观的技术参考。
61 7
|
2月前
|
机器学习/深度学习 自然语言处理 并行计算
DeepSpeed分布式训练框架深度学习指南
【11月更文挑战第6天】随着深度学习模型规模的日益增大,训练这些模型所需的计算资源和时间成本也随之增加。传统的单机训练方式已难以应对大规模模型的训练需求。
250 3
|
5月前
|
机器学习/深度学习 算法 TensorFlow
深入探索强化学习与深度学习的融合:使用TensorFlow框架实现深度Q网络算法及高效调试技巧
【8月更文挑战第31天】强化学习是机器学习的重要分支,尤其在深度学习的推动下,能够解决更为复杂的问题。深度Q网络(DQN)结合了深度学习与强化学习的优势,通过神经网络逼近动作价值函数,在多种任务中表现出色。本文探讨了使用TensorFlow实现DQN算法的方法及其调试技巧。DQN通过神经网络学习不同状态下采取动作的预期回报Q(s,a),处理高维状态空间。
85 1
|
5月前
|
测试技术 数据库
探索JSF单元测试秘籍!如何让您的应用更稳固、更高效?揭秘成功背后的测试之道!
【8月更文挑战第31天】在 JavaServer Faces(JSF)应用开发中,确保代码质量和可维护性至关重要。本文详细介绍了如何通过单元测试实现这一目标。首先,阐述了单元测试的重要性及其对应用稳定性的影响;其次,提出了提高 JSF 应用可测试性的设计建议,如避免直接访问外部资源和使用依赖注入;最后,通过一个具体的 `UserBean` 示例,展示了如何利用 JUnit 和 Mockito 框架编写有效的单元测试。通过这些方法,不仅能够确保代码质量,还能提高开发效率和降低维护成本。
67 0
|
5月前
|
UED 开发者
哇塞!Uno Platform 数据绑定超全技巧大揭秘!从基础绑定到高级转换,优化性能让你的开发如虎添翼
【8月更文挑战第31天】在开发过程中,数据绑定是连接数据模型与用户界面的关键环节,可实现数据自动更新。Uno Platform 提供了简洁高效的数据绑定方式,使属性变化时 UI 自动同步更新。通过示例展示了基本绑定方法及使用 `Converter` 转换数据的高级技巧,如将年龄转换为格式化字符串。此外,还可利用 `BindingMode.OneTime` 提升性能。掌握这些技巧能显著提高开发效率并优化用户体验。
78 0
|
5月前
|
机器学习/深度学习 PyTorch TensorFlow
深度学习框架之争:全面解析TensorFlow与PyTorch在功能、易用性和适用场景上的比较,帮助你选择最适合项目的框架
【8月更文挑战第31天】在深度学习领域,选择合适的框架至关重要。本文通过开发图像识别系统的案例,对比了TensorFlow和PyTorch两大主流框架。TensorFlow由Google开发,功能强大,支持多种设备,适合大型项目和工业部署;PyTorch则由Facebook推出,强调灵活性和速度,尤其适用于研究和快速原型开发。通过具体示例代码展示各自特点,并分析其适用场景,帮助读者根据项目需求和个人偏好做出明智选择。
164 0
|
6月前
|
机器学习/深度学习 PyTorch TensorFlow
PAI DLC与其他深度学习框架如TensorFlow或PyTorch的异同
PAI DLC与其他深度学习框架如TensorFlow或PyTorch的异同
|
6月前
|
机器学习/深度学习 PyTorch TensorFlow
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
|
7月前
|
机器学习/深度学习 编解码 计算机视觉
【深度学习】探秘PSD:合成到真实去雾框架的实例解析
【深度学习】探秘PSD:合成到真实去雾框架的实例解析
111 0