TensorFlow——计算图管理

整体总结

在 TensorFlow 1.x 里，类型转换是把张量从一种数据类型转换为另一种数据类型的操作，可分为隐式类型转换和显式类型转换
简单总结：
- TensorFlow 会自动进行类型提升以确保操作数兼容
- 如果类型不兼容，会抛出错误
- 使用 tf.cast() 可以手动控制类型转换
- 布尔类型可以参与数值运算（变成0或1），但建议做显示类型转换

显式类型转换（推荐使用）

若要明确地把一个张量从一种数据类型转换为另一种数据类型，你可以使用 tf.cast 函数，下面是一个显式类型转换的示例：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

# 创建一个整数类型的张量
a = tf.constant([1, 2, 3], dtype=tf.int32)

# 显式地将其转换为浮点数类型
b = tf.cast(a, dtype=tf.float32)

with tf.Session() as sess:
    result = sess.run(b)
    print("Result:", result)
    print("Data type:", b.dtype)

在这个例子中，借助 tf.cast 函数把 a 从 int32 类型显式转换为 float32 类型

注：在实际使用中，建议尽量采用显式类型转换，这样能让代码的意图更加清晰，也便于调试和维护

隐式类型转换（不建议）

在TensorFlow 1.x中，部分操作会自动进行隐式类型转换。不过，这种转换并非在所有情形下都会发生，并且不同类型之间的运算可能会引发错误。通常，当操作涉及不同数据类型的张量时，TensorFlow会尝试把它们转换为兼容的类型

下面是一个简单的示例：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

# 创建两个不同类型的张量
a = tf.constant(2, dtype=tf.int32)
b = tf.constant(3.0, dtype=tf.float32)

# 进行加法操作，会发生隐式类型转换
c = a + b

with tf.Session() as sess:
    result = sess.run(c)
    print("Result:", result)
    print("Data type:", c.dtype)

在这个例子中，a 是 int32 类型，b 是 float32 类型。在执行加法操作时，TensorFlow 会把 a 隐式转换为 float32 类型，然后再进行计算

隐式类型转换规则

在 TensorFlow 中，不同类型（dtype）的张量或常量相加时，TensorFlow 会尝试自动进行类型转换（type casting），以便使两个操作数的类型兼容。如果类型无法安全地转换，就会抛出错误
自动类型提升 ：当两个不同类型的张量或常量相加时，TensorFlow 会根据操作数的类型选择一个更“宽”的类型来存储结果。这种行为类似于 NumPy 的类型提升规则：
- int32 和 float32 相加，结果会被提升为 float32
- float32 和 float64 相加，结果会被提升为 float64
不兼容的类型引发错误 ：如果两个类型的张量无法安全地转换，TensorFlow 会抛出 TypeError 或类似的错误：
- string 和 int32 是完全不同的类型，无法直接相加
- complex64 和 float32 可能需要显式转换

布尔类型的操作(特殊) ：布尔类型（bool）在 TensorFlow 中被视为数值类型（True 等价于 1，False 等价于 0），但需要使用显示类型转换

a = tf.constant(True, dtype=tf.bool)     # bool 类型
b = tf.constant(2, dtype=tf.int32)       # int32 类型
a = tf.cast(a, dtype=tf.int32) # 如果没有这一行，下面做加法时可能会报类型错误
result = a + b  # 自动将 bool 提升为 int32
print(result)   # 输出: tf.Tensor(3, shape=(), dtype=int32)