tensor和numpy 转换

1. numpy转tensor

1.1 torch.from_numpy()

如果你有一个 NumPy 数组，你可以直接使用 torch.from_numpy 方法将其转换为 PyTorch 张量

这个方法会创建一个新的张量，该张量与原始的NumPy数组共享内存空间。这意味着，如果你修改了其中一个，另一个也会相应地改变。

import numpy as np
import torch

np_array = np.array([1, 2, 3])
tensor = torch.from_numpy(np_array)
print(tensor)

如果你想在 GPU 上创建张量，可以先将 NumPy 数组转换为张量，然后使用.to方法将其移动到 GPU。

tensor = torch.from_numpy(np_array).to('cuda')

1.2 torch.tensor()

torch.tensor() 是 PyTorch 中用于创建新张量（tensor）的函数。这个函数非常灵活，可以接受多种类型的输入，包括列表、元组、NumPy 数组、标量值，甚至是另一个张量。它将这些输入转换为 PyTorch 张量，并默认复制数据，这意味着原始数据和新创建的张量在内存中是独立的。

# 指定数据类型为float
tensor_with_dtype = torch.tensor([1, 2, 3], dtype=torch.float)
print(tensor_with_dtype)

# 指定数据类型为long
tensor_with_dtype_long = torch.tensor([1, 2, 3], dtype=torch.long)
print(tensor_with_dtype_long)

指定device

if torch.cuda.is_available():
    tensor_on_gpu = torch.tensor([1, 2, 3], device='cuda')
    print(tensor_on_gpu)

注意事项

• torch.tensor() 默认会复制输入数据，创建一个新的张量副本。这意味着对新张量的修改不会影响到原始数据。
• 你可以指定数据类型（dtype），如果不指定，PyTorch 会尝试推断数据类型或使用默认类型（通常是 torch.float32）。
• 你可以指定设备（device），将张量创建在 CPU 或 GPU 上。

1.3 torch.as_tensor()

在PyTorch中，torch.as_tensor函数用于将数据转换为一个新的torch.Tensor对象。这个函数对于将不同类型的数据（如列表、元组、NumPy数组等）转换为PyTorch张量非常有用。它通常用于数据预处理阶段，将数据转换为模型可以接受的格式。

• 从列表创建张量

import torch

list_data = [1, 2, 3]
tensor = torch.as_tensor(list_data)
print(tensor)  # 输出: tensor([1, 2, 3])

• 从NumPy数组创建张量

import numpy as np
import torch

np_array = np.array([1, 2, 3])
tensor = torch.as_tensor(np_array)
print(tensor)  # 输出: tensor([1, 2, 3])

• 从元组创建张量：

import torch

tuple_data = (1, 2, 3)
tensor = torch.as_tensor(tuple_data)
print(tensor)  # 输出: tensor([1, 2, 3])

• 指定数据类型

import torch

list_data = [1, 2, 3]
tensor = torch.as_tensor(list_data, dtype=torch.float32)
print(tensor)  # 输出: tensor([1., 2., 3.], dtype=torch.float32)

• 设备指定

import torch

list_data = [1, 2, 3]
tensor = torch.as_tensor(list_data, device='cuda:0')  # 假设有一个可用的CUDA设备
print(tensor)  # 输出: tensor([1., 2., 3.], device='cuda:0')

torch.as_tensor函数提供了一个灵活的方式来创建张量，并且可以指定数据类型和设备，这对于深度学习模型的输入数据准备非常有用。

1.4 对比

torch.from_numpy()、torch.tensor()和torch.as_tensor()这三种方法都可以用来将NumPy数组转换为PyTorch张量，但它们之间有一些差异：

(1). torch.from_numpy(numpy_array)

• 这个方法会创建一个新的张量，该张量与原始的NumPy数组共享内存空间。这意味着，如果你修改了其中一个，另一个也会相应地改变。
• 它只接受NumPy数组作为输入，并且要求NumPy数组的数据类型是PyTorch支持的类型。
  它不会对数据进行复制，因此转换非常高效。

(2）torch.tensor(numpy_array)

• 这个方法会创建一个新的张量，并且复制NumPy数组中的数据。这意味着，原始的NumPy数组和新创建的张量是完全独立的，修改其中一个不会影响另一个。

• 因为它会复制数据，所以相比于torch.from_numpy()，它的效率会稍低。

(3） torch.as_tensor(numpy_array)

• 这个方法会尝试避免复制数据，如果可能的话，它将与torch.from_numpy()一样共享内存。但是，如果NumPy数组的数据类型不是PyTorch支持的类型，它会复制数据并转换数据类型。
• 它比torch.from_numpy更灵活，因为它可以接受更多的输入类型，包括标量、列表、元组等，并且会尝试将它们转换为张量。
• 如果输入是标量或Python原生类型，它会创建一个包含该值的零维张量

总结来说，如果你不需要复制数据，并且你的NumPy数组已经是PyTorch支持的数据类型，那么torch.from_numpy()是最快的选择。如果你需要一个独立的副本，那么torch.tensor()是合适的。而torch.as_tensor()则是一个折中的选择，它在可能的情况下避免复制，但在必要时会复制并转换数据类型。

2. tensor 转numpy

tensor 转numpy 就比较简单了，可以使用下面的函数直接转,

def to_numpy(tensor_data):
    return tensor_data.detach().cpu().numpy() if tensor_data.requires_grad else tensor_data.cpu().numpy()