机器学习与深度学习 / 系统课时
转换张量数据类型
转换张量数据类型
TensorFlow 的多数数值算子要求参与运算的张量具有兼容的数据类型。整数标签、浮点输入和布尔掩码经常会在同一条计算链中出现,本课使用 tf.cast 完成显式转换,并检查浮点转整数、布尔转换和混合类型运算中的关键边界。
学习目标
- 使用
tf.cast在整数、浮点数和布尔类型之间转换。 - 识别不同类型直接参与运算时的冲突。
- 理解浮点转整数时的信息丢失,并在转换后验证结果。
使用 tf.cast 显式转换
tf.cast(x, dtype) 会创建指定数据类型的新张量,不会修改原张量。深度学习计算通常使用 tf.float32,因此把整数像素、计数或其他数值送入需要浮点计算的算子前,经常要先转换类型。
import tensorflow as tf
x = tf.constant([1, 2, 3], dtype=tf.int32)
y = tf.cast(x, tf.float32)
print("x:", x.numpy(), x.dtype)
print("y:", y.numpy(), y.dtype)预期输出
x: [1 2 3] <dtype: 'int32'>
y: [1. 2. 3.] <dtype: 'float32'>转换后 x 仍然是 int32,而 y 已成为 float32。如果数据后面需要执行除法、归一化或与模型权重运算,提前统一到模型使用的浮点类型通常比等待错误出现后再修复更清晰。
解决混合类型运算冲突
不要依赖 TensorFlow 自动把整数张量提升为浮点张量。两个张量准备执行加法、乘法等运算时,应先检查 dtype 并显式转换到同一类型。下面把整数计数转换为 float32 后再与浮点偏移量相加。
import tensorflow as tf
counts = tf.constant([10, 20, 30], dtype=tf.int32)
offset = tf.constant([0.5, 1.5, 2.5], dtype=tf.float32)
counts_float = tf.cast(counts, tf.float32)
result = counts_float + offset
print(result.numpy())
print(result.dtype)预期输出
[10.5 21.5 32.5]
<dtype: 'float32'>如果直接计算 counts + offset,两个输入分别是 int32 与 float32,TensorFlow 不会把这种类型差异当作普通 Python 数值自动处理。工程代码中应把转换放在数据进入计算链的位置,而不是在多个算子之间零散补 tf.cast。
理解浮点数转整数的损失
从整数转到浮点数通常可以保留小整数的数值含义,但从浮点数转到整数会丢弃小数部分。tf.cast 不是四舍五入函数,例如 3.9 转成 int32 后得到 3,-2.7 转换后得到 -2。需要取整规则时,应先使用 tf.round、tf.floor 或 tf.ceil。
import tensorflow as tf
values = tf.constant([3.9, -2.7, 4.0], dtype=tf.float32)
direct = tf.cast(values, tf.int32)
rounded = tf.cast(tf.round(values), tf.int32)
print("direct:", direct.numpy())
print("rounded:", rounded.numpy())预期输出
direct: [ 3 -2 4]
rounded: [ 4 -3 4]因此,类别编号、像素坐标等需要整数值时,要先确认业务规则到底是截断、向下取整还是四舍五入。直接使用 tf.cast 只适合明确接受截断行为的场景。
在数值与布尔类型之间转换
布尔张量常用于掩码与条件选择。把整数或浮点数转换为 tf.bool 时,零转换为 False,非零值转换为 True;反过来把布尔值转换为整数时,False 得到 0,True 得到 1。这可以用于统计满足条件的元素数量。
import tensorflow as tf
values = tf.constant([0, 3, -1, 0], dtype=tf.int32)
mask = tf.cast(values, tf.bool)
mask_as_int = tf.cast(mask, tf.int32)
count = tf.reduce_sum(mask_as_int)
print("mask:", mask.numpy())
print("mask as int:", mask_as_int.numpy())
print("true count:", count.numpy())预期输出
mask: [False True True False]
mask as int: [0 1 1 0]
true count: 2如果目标是按照条件生成布尔掩码,更直观的写法通常是 values != 0、scores > 0.5 这类比较表达式;tf.cast 更适合已经明确需要改变存储和计算类型的场景。
转换后同时检查值和 dtype
数据类型转换不能只验证代码是否运行,还要检查数值是否保持了预期含义。尤其是浮点转整数、较大整数转低精度类型时,可能发生精度丢失或超出目标类型可表示范围的问题。最直接的验证方法是同时输出转换结果与 dtype。
import tensorflow as tf
source = tf.constant([1, 2, 255], dtype=tf.int32)
target = tf.cast(source, tf.float32)
print(target.numpy())
print(target.dtype)预期输出
[ 1. 2. 255.]
<dtype: 'float32'>在训练代码中,可以把“进入模型前统一为 float32、标签统一为任务需要的整数或浮点类型”作为固定检查项。这样能在数据入口处消除类型歧义,也能避免问题延迟到损失函数或指标计算阶段才暴露。