pytorch 模型输出特征 保存npy

实际落地操作时，需要将pytorch模型输出的特征保存成npy格式。

首先读取模型输出，将模型输出从GPU转换到CPU，并切换到numpy格式，新建numpy list保存所有结果，最后保存为npy格式。
 

创建一个tensor

a = torch.arange(10)
'''
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
device(type='cpu') 默认在cpu上
'''

1. CPU tensor转GPU tensor：

cpu_imgs.cuda()

a = torch.arange(10).cuda()
'''
device(type='cuda', index=0) 调用cuda()方法后Tensor存储在gpu
'''

2. GPU tensor 转CPU tensor：

gpu_imgs.cpu()

a = torch.arange(10).cuda()
'''
device(type='cuda', index=0) 调用cuda()方法后Tensor在gpu上计算
'''
a = a.cpu()
'''
device(type='cpu') 调用cpu()方法后Tensor又重新回到cpu
'''

3. numpy转为CPU tensor：

torch.from_numpy( imgs )

4.CPU tensor转为numpy数据：

cpu_imgs.numpy()

5. note：GPU tensor不能直接转为numpy数组，必须先转到CPU tensor。

6. 如果tensor是标量的话，可以直接使用 item() 函数（只能是标量）将值取出来：

print loss_output.item()

numpy append()函数用于合并两个数组。它返回一个新数组, 并且原始数组保持不变。

umpy.append(arr, values, axis=None)

1)arr：array_like

这是一个ndarray。新值将附加到此数组的副本中。此参数是必需的, 并且在numpy.append()函数中起重要作用。

2)值：array_like

此参数定义附加到ndarray副本的值。这里要注意的是, 这些值必须具有与原始ndarray相同的形状(不包括轴)。如果未定义轴, 则值可以为任何形状, 并且在使用前将变平。

3)轴：int(可选)

此参数定义沿其附加值的轴。如果没有给它们轴, 则在使用前将ndarray和值都展平。

axis无定义

numpy.append(arr,values,axis=None):

返回由arr和values组成的新数组。axis是一个可选的值，当axis无定义时，返回总是为一维数组。

由下面的例子可以看出，不管两个数组是什么形式，返回的都是一维数组。

import numpy as np
 
HJL = np.append([1,2,3],[[4,5,6],[7,8,9]])
print(HJL)
# 当axis无定义时，是横向加成，返回总是为一维数组。
#[1 2 3 4 5 6 7 8 9]
 
HXH = np.append([[1,2],[3,4]],[[5,6,7],[8,9,10]])
print(HXH)
# [ 1  2  3  4  5  6  7  8  9 10]

axis=0的情况

axis=0，表示针对第1维进行操作，可以简单的理解为，加在了行上。所以行数增加，列数不变。

由此可知，列数必须保持相同。

axis=1的情况

拓展列，行数不变。行数需要相同。
主要记录二维矩阵的append用法
np.append(fea_neg,fea_pos,axis=0)#axis=0表示将两个矩阵上下堆叠，比如两个矩阵维度均为（3,4）则堆叠后为（6,4）
np.append(fea_neg,fea_pos,axis=1)#axis=1表示左右拼接，比如两个矩阵维度均为（3,4）则堆叠后为（3,8）

npy数据的保存与读取

保存

　　利用这种方法，保存文件的后缀名字一定会被置为.npy

x = 10

numpy.save("data_x.npy",x)

读取    

  data = numpy.load("data_x.npy")