张量的除法运算为什么一定要把数据转为float?

Question

张量的除法运算为什么一定要把数据转为float?

import torch
# 基础运算
data = torch.randint(1, 10, [2, 3])
print(data)
print(type(data))
print(data.add_(100))
print(type(data))
print(data.mul_(100))
print(type(data))
print(data.sub_(100))
print(type(data))
print(data.div_(100))
print(type(data))
print(data)
print(type(data))

结果报错:
RuntimeError: result type Float can't be cast to the desired output type Long

添加float类型转换后就不报错了

import torch

# 基础运算
data = torch.randint(1, 10, [2, 3])
print(data)
print(type(data))
**data = data.float()**
print(data.add_(100))
print(type(data))
print(data.mul_(100))
print(type(data))
print(data.sub_(100))
print(type(data))
print(data.div_(100))
print(type(data))
print(data)
print(type(data))

求解:为什么加减乘法都不需要转换,只有除法需要,而且数学计算结果也不是浮点数

Answer 1

这不是很容易想到么
除法会产生多余的小数位数，加减法就不说了，乘法我举个例子吧。2.5*1.2结果是3，这个3是整数，而两个乘数是一位小数，相当于小数点后小数位数减少了；当然更普遍的现象是小数位数不变，但小数位数是不可能增加的（你要是能看懂这句，就接着向下看。看不懂再想想，很容易的）
除法会造成小数位数的增加，比如2÷3=0.6666667，这样小数位数就增加了

而你说的张量的除法运算为什么一定要把数据转为float，因为如果不将数据转换为浮点数类型，可能会导致精度损失和数据截断啊！你不这么做模型的准确性和精度就会打折扣，就是这么个道理