Tensor 和 Numpy 相关操作

目录

1. 介绍

2. numpy 和 tensor 的转换

2.1 numpy ---> tensor

2.2 Tensor 可以在GPU上运行

2.3 tensor ---> numpy

2.4 Summary

3. 读取图片的相关操作

3.1 Image 读取图片

3.2 image ---> numpy ----> tensor

3.3 显示图像

---

1. 介绍

Numpy ：处理多维数组 + 读取图片

Tensor ： 张量，可以理解为多维数组。tensor 是神经网络传递的基本数据，pytorch中的重要数据结构，和numpy的ndarrays相似。但可以用于GPU加速 + 反向传播

一般来说神经网络工作的基本流程是：

Image读取图片 -----> numpy 读取数据 -----> 转为tensor用于model训练 -----> 输出结果仍为tensor  ------> 转为 numpy 绘制图像

• Image.open() 读取图像，产生的数据是image类型
• numpy 读取image类型的图像，生成ndarray类型的数据
• torch.from_numpy() 将array数据变成tensor类型用于网络训练

因此，numpy 用于读取数据，tensor用于网络训练

2. numpy 和 tensor 的转换

建立一个numpy数据，可以发现，np1的数据类型是ndarray 

2.1 numpy ---> tensor

 接下来将np1转为tensor数据，代码为

torch.from_numpy()   #  np -----> tensor

2.2 Tensor 可以在GPU上运行

Tensor 和 numpy 的区别之一就是 tensor 可以运行在 GPU 上

如图，tensor1 输出的时候，显示了一个cuda 

 

Tensor 可以运行在GPU上，也可以运行在CPU上

Numpy 可以运行在CPU上，但不可以运行在GPU上

 如图，相关的代码为

 

2.3 tensor ---> numpy

tensor 转为 numpy 的方法为：tensor变量.numpy()

因为numpy不能在 GPU 上面运行，所有如果tensor已经在GPU运行的话，需要先将tensor放到cpu上面，再转为numpy

因此下面的会报错

 先将tensor放到cpu上面即可

 

2.4 Summary

numpy 和 tensor 相互转换的代码为：

• torch.from_numpy(）   # numpy ----> tensor
• tensor.numpy()             # tensor ----> numpy

需要注意的是，tensor 可以在 GPU 或者 CPU 上运行，而numpy只能在 CPU上面运行。所以，当tensor转为numpy 的时候，需要先将tensor放到cpu上

• tensor1.cuda()     # GPU  和 tensor.to('cuda') 一个意思  
• tensor1.cpu()       # CPU  和 tensor.to('cpu') 一个意思 

model在训练的时候，往往参数都非常多，基本上net都是在GPU训练。而训练结束，预测图像基本上也都是在GPU上计算。所以在最后显示的时候，需要将网络输出的tensor先放到cpu

然后再用numpy输出

而numpy ----> tensor用的不多，是为了其他预处理的一些操作，往往将这一过程在 transform 里面实现了。例如ToTensor()

3. 读取图片的相关操作

3.1 Image 读取图片

PIL 全称是 Python Imaging Library ，是 Python 平台一个功能非常强大而且简单易用的图像处理库

PIL 当中的 Image 可以用来读取图像，首先导入Image模块

然后利用 Image.open() 读取图像，如图，读取到的数据类型是image类型

 

3.2 image ---> numpy ----> tensor

image -----> numpy:

 

numpy ------> tensor:

 

将tensor 部署到 GPU 训练，然后转到 CPU ，最后转为 numpy

 

3.3 显示图像

显示图像为：

 

 

 当然，picture = Image.open() 就是读取图像的，因此plt.imshow(picture) 也是可以的