前言
最近使用 Numpy包與Pytorch寫神經(jīng)網(wǎng)絡(luò)時，經(jīng)常需要兩者彼此轉(zhuǎn)換，故用此筆記記錄碼代碼時踩（菜）過的坑，網(wǎng)上有人說：
Pytorch 又被稱為 GPU 版的 Numpy，二者的許多功能都有良好的一一對應(yīng)。
但在使用時還是得多多注意，一個不留神就陷入到了 一根煙一杯酒，一個Bug找一宿 的地步。
1.1、numpy ——> torch
使用 torch.from_numpy() 轉(zhuǎn)換，需要注意，兩者共享內(nèi)存。例子如下：
import torch
import numpy as np
a = np.array([1,2,3])
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print('轉(zhuǎn)換后a', a)
print('轉(zhuǎn)換后b', b)
# 顯示
轉(zhuǎn)換后a [2 3 4]
轉(zhuǎn)換后b tensor([2, 3, 4], dtype=torch.int32)
1.2、torch——> numpy
使用 .numpy() 轉(zhuǎn)換，同樣，兩者共享內(nèi)存。例子如下：
import torch
import numpy as np
a = torch.zeros((2, 3), dtype=torch.float)
c = a.numpy()
np.add(c, 1, out=c)
print('a:', a)
print('c：', c)
# 結(jié)果
a: tensor([[1., 1., 1.],
[1., 1., 1.]])
c： [[1. 1. 1.]
[1. 1. 1.]]
需要注意的是，如果將程序中的 np.add(c, 1, out=c) 改成 c = c + 1 會發(fā)現(xiàn)兩者貌似不共享內(nèi)存了，其實不然，原因是后者相當(dāng)于改變了 c 的存儲地址?？梢允褂?id(c) 發(fā)現(xiàn)c的內(nèi)存位置變了。
補充：pytorch中tensor數(shù)據(jù)和numpy數(shù)據(jù)轉(zhuǎn)換中注意的一個問題
在pytorch中，把numpy.array數(shù)據(jù)轉(zhuǎn)換到張量tensor數(shù)據(jù)的常用函數(shù)是torch.from_numpy(array)或者torch.Tensor(array)，第一種函數(shù)更常用。
下面通過代碼看一下區(qū)別：
import numpy as np
import torch
a=np.arange(6,dtype=int).reshape(2,3)
b=torch.from_numpy(a)
c=torch.Tensor(a)
a[0][0]=10
print(a,'\n',b,'\n',c)
[[10 1 2]
[ 3 4 5]]
tensor([[10, 1, 2],
[ 3, 4, 5]], dtype=torch.int32)
tensor([[0., 1., 2.],
[3., 4., 5.]])
c[0][0]=10
print(a,'\n',b,'\n',c)
[[10 1 2]
[ 3 4 5]]
tensor([[10, 1, 2],
[ 3, 4, 5]], dtype=torch.int32)
tensor([[10., 1., 2.],
[ 3., 4., 5.]])
print(b.type())
torch.IntTensor
print(c.type())
torch.FloatTensor
可以看出修改數(shù)組a的元素值，張量b的元素值也改變了，但是張量c卻不變。修改張量c的元素值，數(shù)組a和張量b的元素值都不變。
這說明torch.from_numpy(array)是做數(shù)組的淺拷貝，torch.Tensor(array)是做數(shù)組的深拷貝。
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- Pytorch之Tensor和Numpy之間的轉(zhuǎn)換的實現(xiàn)方法
- python、PyTorch圖像讀取與numpy轉(zhuǎn)換實例
- pytorch 實現(xiàn)tensor與numpy數(shù)組轉(zhuǎn)換
- pytorch numpy list類型之間的相互轉(zhuǎn)換實例
- 淺談pytorch和Numpy的區(qū)別以及相互轉(zhuǎn)換方法
