这篇教程解决Numpy与Pytorch彼此转换时的坑写得很实用，希望能帮到您。
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 torchimport numpy as npa = 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 torchimport numpy as npa = 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 npimport torcha=np.arange(6,dtype=int).reshape(2,3)b=torch.from_numpy(a)c=torch.Tensor(a)a[0][0]=10print(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]=10print(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.IntTensorprint(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。 以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。
pytorch中的matmul与mm,bmm区别说明
python流水线框架pypeln的安装使用教程 |
