torch.from_numpy会让原本的numpy数据转为double类型吗

是的，当使用torch.from_numpy()将numpy数组转换为PyTorch张量时，数据类型会自动转换为双精度浮点型（即torch.DoubleTensor）。如果想要转换为其他数据类型，可以使用张量的type()方法进行转换。例如，使用tensor.type(torch.FloatTensor)可以将张量转换为单精度浮点型（即torch.FloatTensor）。

相关问题

import dgl import numpy as np import torch import torch.nn as nn import dgl.function as fn # 生成10个节点和15条边的图 g = dgl.rand_graph(10, 15) # 为每个节点随机生成一个特征向量 feat = np.random.rand(10, 5) # 为每条边随机生成一个特征向量 e_feat = np.random.rand(15, 3) # 将特征向量添加到图中 g.ndata['feat'] = torch.from_numpy(feat) g.edata['e_feat'] =torch.from_numpy(e_feat) # 随机给每个节点分配一个标签 labels = np.random.randint(0, 3, size=(10,)) g.ndata['label'] = torch.from_numpy(labels) class GraphSAGE(nn.Module): def __init__(self, in_feats, h_feats, num_classes): super(GraphSAGE, self).__init__() self.conv1 = dgl.nn.SAGEConv(in_feats, h_feats, 'mean') self.conv2 = dgl.nn.SAGEConv(h_feats, num_classes, 'mean') def forward(self, g, in_feat): h = self.conv1(g, in_feat) h = torch.relu(h) h = self.conv2(g, h) g.ndata['h'] = h hg = dgl.mean_nodes(g, 'h') return hg # 定义超参数 in_feats = 5 h_feats = 10 num_classes = 3 lr = 0.01 num_epochs = 20 # 创建模型和优化器 model = GraphSAGE(in_feats, h_feats, num_classes) optimizer = torch.optim.Adam(model.parameters(), lr=lr) # 训练模型 for epoch in range(num_epochs): logits = model(g, g.ndata['feat']) labels = g.ndata['label'] loss = nn.CrossEntropyLoss()(logits, labels) optimizer.zero_grad() loss.backward() optimizer.step() print('Epoch %d | Loss: %.4f' % (epoch, loss.item())) # 预测 model.eval() with torch.no_grad(): logits = model(g, g.ndata['feat']) pred = logits.argmax(1) print('Predicted labels:', pred) 报错：RuntimeError: expected scalar type Double but found Float

这个错误是因为在创建特征向量时使用了numpy中的float64类型，而在将特征向量添加到图中时使用了torch中的float32类型。你可以在生成特征向量时将其转换为float32类型，如下所示：

feat = np.random.rand(10, 5).astype(np.float32)
e_feat = np.random.rand(15, 3).astype(np.float32)

这样，在将特征向量添加到图中时，就可以直接使用它们了。

TypeError: can't assign a numpy.ndarray to a torch.DoubleTensor

这个错误通常发生在 PyTorch 的代码中，它表示你尝试将一个 NumPy 数组赋值给一个 PyTorch 的 DoubleTensor 类型变量。这会导致类型不匹配的错误。

要解决这个问题，你可以尝试将 NumPy 数组转换为 PyTorch 的张量，然后再将其赋给 DoubleTensor 类型变量。你可以使用 `torch.tensor()` 函数将 NumPy 数组转换为张量，如下所示：

import torch
import numpy as np

# 创建一个 NumPy 数组
numpy_arr = np.random.rand(3, 4)

# 将 NumPy 数组转换为 PyTorch 张量
tensor_var = torch.tensor(numpy_arr)

# 将张量赋给 DoubleTensor 类型变量
double_tensor_var = tensor_var.double()

这将创建一个大小为 3x4 的随机 NumPy 数组，并将其转换为 PyTorch 张量。然后，将张量赋给 DoubleTensor 类型变量。这样就可以避免类型不匹配的错误了。