将独热编码特征转换为PyTorch张量时应选用哪种dtype？

直接用torch.float32就行，完全不会有问题，理由如下：

• 代码复杂度低：不用搭建双分支模型，直接把定量特征和独热编码后的分类特征合并成一个张量输入模型，新手写代码更顺畅，减少出错概率。
• 计算无异常：独热特征的0/1转成float32后，所有PyTorch的层（线性层、激活函数等）都能直接处理，而且0.0和1.0在float32里是精确存储的，不会有精度损失。
• 行业常规操作：实际项目里几乎没人会用torch.bool处理独热特征，除非是极端追求内存优化（但新手阶段完全没必要纠结这个，先把模型跑通才是重点）。

给个简单的合并代码示例：

import torch

# 模拟定量特征（比如年龄、月收入）
numeric_features = torch.tensor([[28, 45000], [35, 70000]], dtype=torch.float32)
# 独热编码的分类特征（比如性别：男=1/0，女=0/1）转成float32
one_hot_features = torch.tensor([[1, 0], [0, 1]], dtype=torch.float32)

# 合并成统一的输入张量
combined_input = torch.cat([numeric_features, one_hot_features], dim=1)
print(combined_input)

如果之后你对模型优化有需求，再考虑内存层面的调整也不迟，现阶段优先保证代码简洁、模型能正常运行。

内容的提问来源于stack exchange，提问作者D Danne