使用Pytorch创建张量以及使用numpy创建数组的异同点

最新推荐文章于 2025-07-30 16:05:45 发布
原创 最新推荐文章于 2025-07-30 16:05:45 发布 · 3.8k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch #python #numpy

这篇博客对比了Python科学计算库NumPy与深度学习框架PyTorch在创建和操作数组及张量上的异同。介绍了如何使用NumPy创建和初始化数组，以及PyTorch中创建张量的方法，包括使用特定数据、空张量、全零和全一数组。还提到了PyTorch张量的GPU加速优势和torch.Tensor与torch.tensor的区别。

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。
Pytorch是一个基于Python的计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算；2、包含自动求导系统的深度神经网络。
Numpy创建的数组（ndarray）和Pytorch创建的张量(Tensors)具有相似的形式，但是Tensors具有可以使用GPU计算的优点。

使用Numpy创建数组

1、使用确切的数据创建ndarray（numpy.array())

import numpy as np
a = np.array([4, 5, 6])

2、创建指定形状和dtype的未初始化数组（numpy.empty()）
数组元素为随机值


                

                
                
        

    


  


        

            

                      
                        最低0.47元/天 解锁文章
                          
                      
            

        


    



                



	

		

			

				
					
PyTorch和Numpy之间的联系和差异的详细阐述(万文多图)

				
			

			

				

					herosunly的博客
				

				

					03-30
					
					1万+
					
				

			

		

		

			
				
0. PyTorch介绍
1. Pytorch数据
1.1 如何获取数据的基本属性
1.2 特殊的零维数据
1.3 注意点
1.4 构建数据
1.4.1 等差数列
1.4.2 随机初始化
1.4.2.1 [0, 1)初始化
1.4.2.2 标准正态分布初始化
1.4.2.3 正态分布初始化
1.4.3 打乱元素顺序
1.4.4 full张量
1.4.5 ones/zeros张量
1.4.6 eye张量(单位向量)
2. PyTorch张量操作
2.1 Fancy Indexing
2.2 select by

			
		

	



                

            
              



	

		

			

				
					
PyTorch 面试题及详细答案120题（06-20）-- 张量（Tensor）操作

					
最新发布

				
			

			

				

					大剑师兰特的GIS世界
				

				

					08-19
					
					310
					
				

			

		

		

			
				
PyTorch张量面试题解析 张量基础概念 张量定义：PyTorch中的基本数据结构，是多维数组的扩展（标量0维、向量1维、矩阵2维等） 与NumPy对比： 相同点：多维数组操作 不同点：支持GPU计算、自动求导、分布式计算 创建方式： torch.tensor()直接创建 torch.zeros/ones()创建特定形状 torch.randn()创建随机张量 torch.arange()创建序列 torch.eye()创建单位矩阵 张量操作 维度与形状： 维度：tensor.dim()获取阶数 形状：t

			
		

	



              


  
  
              

                


	

		

			

				
					
【深入浅出pytorch-task1】-张量和n维数组的区别？

				
			

			

				

					kkz2756275580的博客
				

				

					07-10
					
					849
					
				

			

		

		

			
				
tensor与n维数组区别

			
		

	





	

		

			

				
					
【深度学习笔记】彻底理解torch中的tensor与numpy中array区别及用法

					
热门推荐

				
			

			

				

					实力派，无需多言！
				

				

					11-04
					
					1万+
					
				

			

		

		

			
				
刚接触深度学习的同学，很多开源项目代码中，张量tensor与数组array都有使用，不清楚两者有什么区别，以及怎么使用，如何相互转换等。博主起初也有类似的疑惑，经过查阅资料以及实践，逐渐有了深入了解，本文将记录并分享自己对两者的理解，可供参考。提示：以下是本篇文章正文内容，下面案例可供参考本文主要记录介绍torch.tensor与numpy.array之间的区别，以及应用场景，相互转换的方法，讲述了更多的细节，这些知识点在深度学习模型训练中非常有用，属于基础知识。

			
		

	



		

			
		



	

		

			

				
					
pytorch生成一个数组

				
			

			

				

					gc.collect()
				

				

					11-10
					
					7620
					
				

			

		

		

			
				
代码
torch.linspace(-1, 1, 100)

类似于numpy的linspace，最后一个是点的数量，前面两个是区间的左右边界数值。



			
		

	





	

		

			

				
					
PyTorch张量和NumPy数组

				
			

			

				

					liming_dawn_h的博客
				

				

					11-27
					
					562
					
				

			

		

		

			
				
虽然NumPy数组和PyTorch张量都可以作为多维数组使用，但PyTorch张量因其自动求导和GPU加速的特性，在深度学习领域更为适用。而NumPy数组则因其简洁和强大的数值计算能力，在科学计算和数据分析中更为常用。

			
		

	





	

		

			

				
					
NumPy与PyTorch常用操作对照备忘单

				
			

			

				

					
				

			

		

		

			
				
NumPy到PyTorch备忘单的核心在于帮助开发者在从NumPy向PyTorch迁移或并行使用两者时，快速掌握两种库在张量/数组创建、数学运算、数据类型管理以及设备支持等方面的异同。该备忘单虽然形式上是一份简洁的对比表格，...

			
		

	





	

		

			

				
					
PyTorch张量操作与GPU加速实战指南

				
			

			

				

					
				

			

		

		

			
				
PyTorch张量操作与GPU加速技术详解：从基础到实战的全面指南"一文系统性地讲解了PyTorch在现代深度学习开发中的核心功能和技术应用，重点围绕张量（Tensor）这一基本数据结构展开，深入剖析其操作机制、与NumPy的...

			
		

	





	

		

			

          精选资源
				
					
PyTorch入门.pptx

				
			

			

				

					09-07
				

			

		

		

			
				
PyTorch入门 ...例如，PyTorch的张量可以使用x.type()函数查看数组类型，而NumPy的ndarray只能使用type(x)函数。又如，PyTorch的张量可以使用x.clone()函数复制数组，而NumPy的ndarray只能使用x.copy()函数。

			
		

	





	

		

			

				
					
pytorch——张量 & numpy

				
			

			

				

					qq_46126537的博客
				

				

					07-17
					
					430
					
				

			

		

		

			
				
import torch
import numpy as np

# 张量的初始化
data=[[1,2],[3,4]]
tensor_data=torch.tensor(data) # 直接生成张量

np_array=np.array(data)
tensor_np=torch.from_numpy(np_array) # numpy数组生成

tensor_type=torch.ones_like(tensor_data,dtype=torch.float) # 继承tensor_data结构，重写数

			
		

	





	

		

			

				
					
pytorch和python的区别_python3+pytorch之numpy与Torch对比

				
			

			

				

					weixin_39916479的博客
				

				

					11-24
					
					202
					
				

			

		

		

			
				
首先，其实torch中的tensor和numpy中的array运算是差不多滴，所以我们就做一个简单的对比。1、简单运算import numpy as npimport torchdata = [-1, -2, 1, 2]tensor = torch.FloatTensor(data)  # 转换成32位浮点 tensor#abs    绝对值运算print('\nabs','\nnumpy: ',...

			
		

	





	

		

			

				
					
NumPy 数组、Python 列表和 PyTorch 张量的区别

				
			

			

				

					蜡笔小晴
				

				

					07-31
					
					758
					
				

			

		

		

			
				
数据类型：NumPy 数组和 PyTorch 张量要求元素类型统一，而 Python 列表可以包含不同类型的元素。内存布局：NumPy 数组和 PyTorch 张量通常在内存中连续存储，而 Python 列表则不是。性能：对于数值计算，NumPy 数组和 PyTorch 张量通常比 Python 列表更高效。多维支持：NumPy 数组和 PyTorch 张量原生支持多维，而 Python 列表需要通过嵌套来表示多维结构。应用场景。

			
		

	





	

		

			

				
					
【numpy】使用numpy/pytorch创建数组时的一点疑问

				
			

			

				

					duanyuchen的博客
				

				

					11-21
					
					336
					
				

			

		

		

			
				
YcDuan???? 16:24:04
我可不可以理解为，这个函数本身就会带一个方括号，
YcDuan???? 16:24:37
我调用函数传的参数，代表的是我希望的这个自带[]里的数据是什么样子的
17-山东 16:25:07
可
YcDuan???? 16:25:17
17-山东 16:25:37
我没记错你第一个的效果相当于传入0，10
YcDuan???? 16:25:48
看起来是了
YcDuan???? 16:26:04
每次这种函数就把我搞的不知道一维数组是啥样子了
YcDuan???? 16

			
		

	





	

		

			

				
					
PyTorch官方教程之5：numpy vs PyTorch

				
			

			

				

					菜鸟笔记
				

				

					03-14
					
					2784
					
				

			

		

		

			
				
# 《PyTorch官方教程中文版》， PyTorch之小试牛刀

# PyTorch的核心之一：张量，类似于numpy，但可以在GPU上运行
# 在介绍PyTorch之前，本章节将首先使用numpy实现网络
# 代码解读参考： https://www.cnblogs.com/beer/p/8120487.html

import numpy as np
import torch

# N是批大小; D_in是输入维度; H是隐藏的维度; D_out是输出维度。
N, D_in, H, D_out = 64

			
		

	





	

		

			

				
					
3,4维torch张量和numpy数组对比

				
			

			

				

					chord_sz的博客
				

				

					03-20
					
					3177
					
				

			

		

		

			
				
原文作者：_浅陌
链接：https://www.jianshu.com/p/c96c74f680bb
来源：简书
正文内容：
torch.Size([int …])
1.一维张量，类似一维数组，一般用在Bais，或者神经网络线性层的输入Linear Input。例如MINST数据集的一张图片用shape=[784]的Tensor来表示。
x = torch.rand(4)
print(x)
ten...

			
		

	





	

		

			

				
					
Numpy & Pytorch 中的 + 和 += 的区别

				
			

			

				

					Hanlin的博客
				

				

					12-26
					
					1017
					
				

			

		

		

			
				
在 numpy & pytorch 中，使用 = 相当于 copy 操作，创造了一个新的 矩阵/Tensor，而使用 +=（或 *=等）则相当于使用了 inplace 操作，直接覆盖原矩阵/Tensor。



测试如下：



Numpy：









Pytorch：






























...

			
		

	





	

		

			

				
					
张量（Tensor）和 NumPy 数组（NumPy Array）的区别和联系

				
			

			

				

					lhyyds的博客
				

				

					07-30
					
					1026
					
				

			

		

		

			
				
张量是NumPy数组的。

			
		

	





	

		

			

				
					
Torch中的张量tensor和Numpy中的数组array的区别（详细）

				
			

			

				

					LuuuuuuLZ的博客
				

				

					01-20
					
					2733
					
				

			

		

		

			
				
在 Torch 中，tensor和Tensor：这是一个工厂函数，用于创建一个新的张量。可以从各种数据类型（如列表、数组）创建新的张量，并且你可以指定数据类型（如dtype最重要的是，总是会复制其输入数据，所以原始数据和新创建的张量是完全独立的。简单来说torch.tensor()中的数据类型决定生成张量的类型：这实际上是的别名，是一个张量类的构造函数。使用时，如果没有提供具体的数据类型，它默认创建一个浮点数类型的张量（它可以从现有数据创建张量，但其行为（比如是否复制数据）取决于输入数据的类型。

			
		

	





	

		

			

				
					
理解张量（tensor）和numpy

				
			

			

				

					网络安全研究
				

				

					02-09
					
					3501
					
				

			

		

		

			
				
标量是一维向量。
数组是二维向量。
矩阵是三维向量
张量（tensor）是任意维度的向量。

NumPy 中处理数字的常见方式是通过 ndarray 对象。它们与 Python 列表相似，但是可以有任意数量的维度。而且，ndarray 支持快速的数学运算，这正是我们想要的。
由于它可以存储任意数量的维度，你可以使用 ndarray来表示：标量、向量、矩阵或张量。
s = np.array(5) #...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 3

	

  

	
    

      

      

      

        
        

          
          

            

              成就一亿技术人!
            

            

              拼手气红包6.0元
            

          

        

        

          

            还能输入1000个字符
          

          

             
          

          

            

              红包
              添加红包
            

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			
			

					 条评论被折叠 查看
			

			

				
			

		

	

	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
汉德萨姆ys

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值