本文继续刨刨代码背后的含义。
问题引入
我们在学习深度学习实战项目（比如Kaggle房价预测）时，会看到在定义完线性模型后，在定义训练方法时，看到这样的代码：
# net是一个331维输入，输出1维的单线性层模型，并已予参数初始化。
net = net.float()
这里net = net.float()是啥意思呢？
看字面意思是把net中的变量统一为float类型，于是我们查查pytorch的文档。
Module 的float()方法是对模型所有参数进行的float转换
net是一个Linear层对象，属于Module类型，我们查找torch.nn文档下Module类的说明，找到了下面的float方法：
意思很简洁，就是把所有的 浮点型的参数和缓存（floating point parameters and buffers）转成 float类型的dtype。
看到这里已经可以大致解决代码的疑问了，就是一个方法，将Module中的parameters和buffers转成我们想要的float类型的dtype数据类型，即统一参数的数据类型。
但是我还有几个疑问：
- 什么是buffers？
- floating point parameters具体指代哪些数据类型？float dtype又是哪个float？
- 为什么这里要统一转成float型？
疑问解答
1 buffer是另一种模型参数
buffer也是一种参数，我参考的这篇文章。
简而言之，在Pytorch中，网络的参数会保存成OrderedDict（有序字典）的形式，这里的参数包括2种。
一种是模型中各种module含的参数，为nn.Parameter类；另外一种是buffer。前者每次optim.step会得到更新，但不会更新后者。
在后面的学习中还会碰到buffer和有序字典。
2 浮点型参数 指代 float64，float32，float16
问题2，我们点击右侧的SOURCE源码：
def float(self):
r"""Casts all floating point parameters and buffers to float datatype.
Returns:
Module: self
"""
return self._apply(lambda t: t.float() if t.is_floating_point() else t)
可以看到该方法对Module自身应用了一个_apply+lambda函数的方法，以达成对自身元素的更新。
这里可以查看Mudule中_apply和apply方法定义的源码，可以看到在私有方法_apply中传入的函数对parameters和buffers形成更新。
顺便，这个更新的方式本身是inplace形式的，所以net = net.float()也可以直接写成net.float()。
我们再看这个lambda函数lambda t: t.float() if t.is_floating_point() else t。
可以看到 is_floating_point() 方法定义了这个floating point，我们打开文档，可以看到is_floating_point可以判断一个tensor是否属于float64，float32，float16这三个类：
t.float() 这里是对一个tensor使用了float()方法。目的是将float64，float32，float16转成float32（float）型的dtype。
小总结：Tensor的dtype类型转换
我们看看文档对tensor的float()的定义：
tensor的float()方法意为将dtype类型转换为float32。float就指代float32。
同时，这里我们可以此总结出一个Tensor的dtype类型的转换方法：
- 对Tensor使用float()
- 直接使用等价的**to()**方法指定dtype类型进行转换
但是注意，这两种方法都不会替换原tensor，因此还需要赋值，即t = t.float()。这和Module.float()不同，注意避免踩坑。
同理，在Pytorch中，float指float32，half指float16，double指float64，int指int32等等。
因此我们同样可以对Tensor和Module使用类似的方法更改dtype类型，如 net0.double()、t0 = t0.half()等。
3 为什么要统一成float32
从上我们可以看到Pytorch将Tensor默认dtype设成了float32，即单精度浮点类型。
这个问题其实可以讲成为什么Pytorch偏向于float32的数据类型。
浮点计算能力是GPU的一个重要性能指标，同时数据的浮点精度面向不同的具体场景需求。
虽然无脑提高浮点精度对于高需求的业务场景来说肯定好处会多。
我参考了这篇文章。
对于常见的多媒体和图形处理计算、深度学习等领域，32位的单精度浮点计算足够了。对于要求精度更低的机器学习等一些应用来说，半精度16位浮点就已经够用了。对于需要处理的数字范围大且需要精确计算的领域比如计算化学，分子建模等，就要求采用64位双精度浮点数。
对于浮点计算，CPU可以同时支持不同精度的浮点运算，但在GPU里针对单精度和双精度需要各自独立的计算单元，一般在GPU里支持单精度运算的单精度ALU(算术逻辑单元)称之为FP32 core。多数GPU对于32fp有优化。
总结
- Module 的 float() 方法是对模型所有参数Tensor的dtype进行float32转换，包括parameters和buffers。
- 在Pytorch中，浮点型常见的有：float16(half)、float32(float)、float64(double)。可使用tensor的is_floating_point()方法判断是否是浮点型。
- 对Tensor 可以使用 float() 、to(torch.float) 等方法来转换dtype，转换后注意重新赋值。
同样 half、double、int、long 等都存在同名方法转换，对于Tensor和Module都适用。 - Pytorch默认统一使用float32和GPU浮点计算特性与优化有关。
文章出处登录后可见！
