Numpy与Pytorch互转时需要注意哪些内容？

Numpy和pytorch都是数据分析和机器学习常用的python第三方工具库，他们都可以对矩阵类型的数据进行操作。也就是说他们都有矩阵类型的数据结构，实际上他们也是可以进行互相转换的，而且这样的需求在神经网络中经常遇到。那么怎么进行Numpy与pytorch互转呢？接下来的这篇文章带你了解！

前言

最近使用 Numpy包与Pytorch写神经网络时，经常需要两者彼此转换，故用此笔记记录码代码时踩（菜）过的坑，网上有人说：

Pytorch 又被称为 GPU 版的 Numpy，二者的许多功能都有良好的一一对应。

但在使用时还是得多多注意，一个不留神就陷入到了一根烟一杯酒，一个Bug找一宿的地步。

1.1、numpy ——> torch

使用 torch.from_numpy() 转换，需要注意，两者共享内存。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('转换后a', a)
print('转换后b', b)

# 显示

转换后a [2 3 4]
转换后b tensor([2, 3, 4], dtype=torch.int32)

1.2、torch——> numpy

使用 .numpy() 转换，同样，两者共享内存。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)

# 结果

a: tensor([[1., 1., 1.],
           [1., 1., 1.]])
c： [[1. 1. 1.]
  [1. 1. 1.]]

需要注意的是，如果将程序中的 np.add(c, 1, out=c) 改成 c = c + 1 会发现两者貌似不共享内存了，其实不然，原因是后者相当于改变了 c 的存储地址。可以使用 id(c) 发现c的内存位置变了。

补充：pytorch中tensor数据和numpy数据转换中注意的一个问题

在pytorch中，把numpy.array数据转换到张量tensor数据的常用函数是torch.from_numpy(array)或者torch.Tensor(array)，第一种函数更常用。

下面通过代码看一下区别：

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,'
',b,'
',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,'
',b,'
',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

可以看出修改数组a的元素值，张量b的元素值也改变了，但是张量c却不变。修改张量c的元素值，数组a和张量b的元素值都不变。

这说明torch.from_numpy(array)是做数组的浅拷贝，torch.Tensor(array)是做数组的深拷贝。

以上就是怎么进行Numpy与pytorch互转的全部内容，希望能给大家一个参考，也希望大家多多支持W3Cschool。

Numpy与Pytorch互转时需要注意哪些内容？

前言 ​

1.1、numpy ——> torch ​

1.2、torch——> numpy ​

下面通过代码看一下区别：

前言

1.1、numpy ——> torch

1.2、torch——> numpy