Tensor和NumPy相互转换

我们很容易用numpy()和from_numpy()将Tensor和NumPy中的数组相互转换。但是需要注意的一点是： 这两个函数所产生的的Tensor和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中一个时另一个也会改变！！！

还有一个常用的将NumPy中的array转换成Tensor的方法就是torch.tensor(), 需要注意的是，此方法总是会进行数据拷贝（就会消耗更多的时间和空间），所以返回的Tensor和原来的数据不再共享内存。

Tensor转NumPy

使用numpy()将Tensor转换成NumPy数组:

In [21]:

a = torch.ones(5)

b = a.numpy()

print(a, b)

​

a += 1

print(a, b)

b += 1

print(a, b)

tensor([1., 1., 1., 1., 1.]) [1. 1. 1. 1. 1.]

tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]

tensor([3., 3., 3., 3., 3.]) [3. 3. 3. 3. 3.]

NumPy数组转Tensor

使用from_numpy()将NumPy数组转换成Tensor:

In [22]:

import numpy as np

a = np.ones(5)

b = torch.from_numpy(a)

print(a, b)

​

a += 1

print(a, b)

b += 1

print(a, b)

[1. 1. 1. 1. 1.] tensor([1., 1., 1., 1., 1.], dtype=torch.float64)

[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

[3. 3. 3. 3. 3.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)

所有在CPU上的Tensor（除了CharTensor）都支持与NumPy数组相互转换。

此外上面提到还有一个常用的方法就是直接用torch.tensor()将NumPy数组转换成Tensor，需要注意的是该方法总是会进行数据拷贝，返回的Tensor和原来的数据不再共享内存。

In [23]:

# 用torch.tensor()转换时不会共享内存

c = torch.tensor(a)

a += 1

print(a, c)

[4. 4. 4. 4. 4.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)

Tensor on GPU

用方法to()可以将Tensor在CPU和GPU（需要硬件支持）之间相互移动。

In [24]:

# 以下代码只有在PyTorch GPU版本上才会执行

if torch.cuda.is_available():

    device = torch.device("cuda")          # GPU

    y = torch.ones_like(x, device=device)  # 直接创建一个在GPU上的Tensor

    x = x.to(device)                       # 等价于 .to("cuda")

    z = x + y

    print(z)

    print(z.to("cpu", torch.double))       # to()还可以同时更改数据类型