前言

剛接觸深度學習的同學，很多開源項目代碼中，張量tensor與數(shù)組array都有使用，不清楚兩者有什么區(qū)別，以及怎么使用，如何相互轉(zhuǎn)換等。博主起初也有類似的疑惑，經(jīng)過查閱資料以及實踐，逐漸有了深入了解，本文將記錄并分享自己對兩者的理解，可供參考。

提示：以下是本篇文章正文內(nèi)容，下面案例可供參考

一、先搞懂Torch中的tensor與Tensor

torch.Tensor()也就是torch.FloatTensor()的另一種簡寫，torch.Tensor()會生成**單精度浮點類型（32位）**的張量，如下所示：

#使用torch.FloatTensor()定義一個張量，查看類型
>>> import torch
>>> I = torch.Tensor([2, 3])
tensor([2., 3.])
>>> I.type()
'torch.FloatTensor'
>>>

與torch.Tensor()同級類似的還有torch.IntTensor()，torch.LongTensor()，torch.DoubleTensor()，分別為短整型、長整型、雙精度浮點型（64位）。
torch.tensor()中的數(shù)據(jù)類型決定生成張量的類型，如下所示：

>>> I = torch.tensor([2, 3])
>>> I.type()
'torch.LongTensor'
>>>
>>> I = torch.tensor([1., 2.])
>>> I.type()
'torch.FloatTensor' 
>>>  

可以通過torch.set_default_tensor_type(t)設置默認的tensor類型，如要使用torch.tensor()建立一個雙精度浮點類型的張量，如下所示：

>>> torch.set_default_tensor_type(torch.DoubleTensor)  #指定默認類型
>>> torch.tensor([1.2, 3]).dtype  
torch.float64

二、torch.tensor()的用處及數(shù)據(jù)特點

在深度學習pytorch框架中，torch.tensor是存儲和變換數(shù)據(jù)的重要工具。在torch中，為tensor計算提供了GPU加速、梯度自動求導等功能，這使得深度學習這種擁有龐大計算量的工程提高了計算效率，可以說torch.tensor專為深度學習設計的。

三、np.array()與torch.tensor()比較

numpy產(chǎn)生的數(shù)組類型為numpy.ndarray，
1、與torch.tensor()不同，另外打印數(shù)組類型的方式也有區(qū)別，umpy中沒有x.type()的用法，只能使用type(x)；
2、numpy.ndarray類型的數(shù)據(jù)只能放在cpu中計算，而tensor可以放在GPU計算，也可以CPU計算。如下所示：

>>> import numpy as np
>>> A = np.array([[1, 2], [2, 4]])
>>> A
array([[1, 2],
       [2, 4]])
>>> type(A)
<class 'numpy.ndarray'>
>>>

Pytorch中的Tensor又包括CPU上的數(shù)據(jù)類型和GPU上的數(shù)據(jù)類型，兩種數(shù)據(jù)類型之間也可以進行相互轉(zhuǎn)換。

三、np.array()與torch.tensor()相互轉(zhuǎn)換

訓練時，我們需要先把圖像數(shù)據(jù)讀取轉(zhuǎn)換為np.array()類型的數(shù)組，然后把np.array()轉(zhuǎn)換為torch.tensor，用于深度學習訓練加速。我們使用**numpy()和from_numpy()**將Tensor和NumPy中的數(shù)組相互轉(zhuǎn)換。
注意這兩個函數(shù)所產(chǎn)生的的Tensor和NumPy中的數(shù)組共享相同的內(nèi)存（所以他們之間的轉(zhuǎn)換很快），改變其中一個時另一個也會改變，

還有一個常用的將NumPy中的array轉(zhuǎn)換成Tensor的方法就是torch.tensor(), 
需要注意的是，此方法總是會進行數(shù)據(jù)拷貝（就會消耗更多的時間和空間），
所以返回的Tensor和原來的數(shù)據(jù)不再共享內(nèi)存。

1.使用numpy()將Tensor轉(zhuǎn)換成NumPy數(shù)組:

代碼如下（示例）：

>>> a = torch.ones(5)
>>> a
tensor([1., 1., 1., 1., 1.])
>>> a.type()
'torch.FloatTensor'
>>> b = a.numpy()
>>> b
array([1., 1., 1., 1., 1.], dtype=float32)
>>>

2.使用from_numpy()將NumPy數(shù)組轉(zhuǎn)換成Tensor:

代碼如下（示例）：

>>> a = np.ones(5)
>>> a
array([1., 1., 1., 1., 1.])
>>> type(a)
<class 'numpy.ndarray'>
>>>
>>> b = torch.from_numpy(a)
>>> b
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
>>>

3.直接使用torch.tensor()將NumPy數(shù)組轉(zhuǎn)換成Tensor:

**注意：該方法總是會進行數(shù)據(jù)拷貝，返回的Tensor和原來的numpy數(shù)據(jù)不再共享內(nèi)存。**驗證代碼如下：

>>> a = np.ones(5)
>>> a
array([1., 1., 1., 1., 1.])
>>> type(a)
<class 'numpy.ndarray'>
>>>
>>> b = torch.from_numpy(a)
>>> b
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
>>>
>>> c = torch.tensor(a)
>>> c
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)	
>>> a += 1
>>> a
array([2., 2., 2., 2., 2.])				#a的值加1，改變
>>> c
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)  #c的值未變，因為是拷貝，不共享內(nèi)存
>>> b
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)	#b的值已經(jīng)改變，與a的值一樣，雖然類型不一樣
>>>

總結(jié)

本文主要記錄介紹torch.tensor與numpy.array之間的區(qū)別，以及應用場景，相互轉(zhuǎn)換的方法，講述了更多的細節(jié)，這些知識點在深度學習模型訓練中非常有用，屬于基礎(chǔ)知識。博主后續(xù)會繼續(xù)更新分享深度學習筆記，記錄提煉知識點，總結(jié)學習經(jīng)驗及項目經(jīng)驗。如果本文對您的理解有幫助，請點贊+關(guān)注+收藏！文章來源地址http://www.zghlxwxcb.cn/news/detail-402615.html

到了這里，關(guān)于【深度學習筆記】徹底理解torch中的tensor與numpy中array區(qū)別及用法的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！