Numpy與Pytorch互轉時需要注意什么問題

這篇文章主要為大家展示了“Numpy與Pytorch互轉時需要注意什么問題”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“Numpy與Pytorch互轉時需要注意什么問題”這篇文章吧。

1.1、numpy ——> torch ??

使用 torch.from_numpy() 轉換，需要注意，兩者共享內存。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('轉換后a', a)
print('轉換后b', b)

# 顯示

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

1.2、torch——> numpy ??

使用 .numpy() 轉換，同樣，兩者共享內存。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 會發現兩者貌似不共享內存了，其實不然，原因是后者相當于改變了 c 的存儲地址。可以使用 id(c) 發現c的內存位置變了。

補充：pytorch中tensor數據和numpy數據轉換中注意的一個問題

在pytorch中，把numpy.array數據轉換到張量tensor數據的常用函數是torch.from_numpy(array)或者torch.Tensor(array)，第一種函數更常用。

下面通過代碼看一下區別：

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,'
',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

可以看出修改數組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，數組a和張量b的元素值都不變。

這說明torch.from_numpy(array)是做數組的淺拷貝，torch.Tensor(array)是做數組的深拷貝。

以上是“Numpy與Pytorch互轉時需要注意什么問題”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！