首先我们需要知道何为bits和bytes?
- bits:名为位数
- bytes:为字节
- 简单的数就是MB和G的关系！那么8bits=1bytes，下面是各个单位的相互转化！
那么float32和float64有什么区别呢?
- 数位的区别
- 一个在内存中占分别32和64个bits，也就是4bytes或8bytes
- 数位越高浮点数的精度越高
它会影响深度学习计算效率?
float64占用的内存是float32的两倍，是float16的4倍；比如对于CIFAR10数据集，如果采用float64来表示，需要60000*32*32*3*8/10243=1.4G，光把数据集调入内存就需要1.4G；如果采用float32，只需要0.7G，如果采用float16，只需要0.35G左右；占用内存的多少，会对系统运行效率有严重影响；（因此数据集文件都是采用uint8来存在数据，保持文件最小）
Pandas各数据类型占用内存情况表
Python使用numpy将数据类型设置为float32
import numpy as np data = np.array([1,2,3,4,5,6,7,8,9],dtype='float32')pandas分析float32和64的内存占用情况
pandas之所以处理数据速度快的原因就是他将数据加载到内存进行处理，下面使用pandas加载数据分别测试不同数据类型，相同的数据所占内存情况~
import pandas as pd data = pd.DataFrame([1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9], dtype="float64") data1 = pd.DataFrame([1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9], dtype="float32") print(data.info(memory_usage=True)) print(data1.info(memory_usage=True))打印结果如下，我们只需要查看占用内存大小即可，float64数据占用192bytes，float32数据占用160bytes
RangeIndex: 8 entries, 0 to 7
Data columns (total 1 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 0 8 non-null float64
dtypes: float64(1)
memory usage: 192.0 bytes —————–>内存占用大小
None
RangeIndex: 8 entries, 0 to 7
Data columns (total 1 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 0 8 non-null float32
dtypes: float32(1)
memory usage: 160.0 bytes —————–>内存占用大小
None
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/176689.html原文链接：https://javaforall.net
![docker 查看端口被占用进程[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
