前言 ​  

最近使用 Numpy包與Pytorch寫神經(jīng)網(wǎng)絡(luò)時(shí)，經(jīng)常需要兩者彼此轉(zhuǎn)換，故用此筆記記錄碼代碼時(shí)踩（菜）過的坑，網(wǎng)上有人說：

Pytorch 又被稱為 GPU 版的 Numpy，二者的許多功能都有良好的一一對(duì)應(yīng)。

​但在使用時(shí)還是得多多注意，一個(gè)不留神就陷入到了 一根煙一杯酒，一個(gè)Bug找一宿 的地步。

1.1、numpy ——> torch ​  

使用 torch.from_numpy() 轉(zhuǎn)換，需要注意，兩者共享內(nèi)存。例子如下：

import torch
import numpy as np

a = np.array([1,2,3])
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print('轉(zhuǎn)換后a', a)
print('轉(zhuǎn)換后b', b)

# 顯示

轉(zhuǎn)換后a [2 3 4]
轉(zhuǎn)換后b tensor([2, 3, 4], dtype=torch.int32)

1.2、torch——> numpy ​  

使用 .numpy() 轉(zhuǎn)換，同樣，兩者共享內(nèi)存。例子如下：

import torch
import numpy as np

a = torch.zeros((2, 3), dtype=torch.float)
c = a.numpy()
np.add(c, 1, out=c)
print('a:', a)
print('c：', c)

# 結(jié)果

a: tensor([[1., 1., 1.],
           [1., 1., 1.]])
c： [[1. 1. 1.]
  [1. 1. 1.]]

需要注意的是，如果將程序中的 np.add(c, 1, out=c) 改成 c = c + 1 會(huì)發(fā)現(xiàn)兩者貌似不共享內(nèi)存了，其實(shí)不然，原因是后者相當(dāng)于改變了 c 的存儲(chǔ)地址?？梢允褂?id(c) 發(fā)現(xiàn)c的內(nèi)存位置變了。

補(bǔ)充：pytorch中tensor數(shù)據(jù)和numpy數(shù)據(jù)轉(zhuǎn)換中注意的一個(gè)問題

在pytorch中，把numpy.array數(shù)據(jù)轉(zhuǎn)換到張量tensor數(shù)據(jù)的常用函數(shù)是torch.from_numpy(array)或者torch.Tensor(array)，第一種函數(shù)更常用。

下面通過代碼看一下區(qū)別：

import numpy as np
import torch

a=np.arange(6,dtype=int).reshape(2,3)
b=torch.from_numpy(a)
c=torch.Tensor(a)

a[0][0]=10
print(a,'\n',b,'\n',c)
[[10  1  2]
 [ 3  4  5]] 
 tensor([[10,  1,  2],
        [ 3,  4,  5]], dtype=torch.int32) 
 tensor([[0., 1., 2.],
        [3., 4., 5.]])

c[0][0]=10
print(a,'\n',b,'\n',c)
[[10  1  2]
 [ 3  4  5]] 
 tensor([[10,  1,  2],
        [ 3,  4,  5]], dtype=torch.int32) 
 tensor([[10.,  1.,  2.],
        [ 3.,  4.,  5.]])

print(b.type())
torch.IntTensor
print(c.type())
torch.FloatTensor

可以看出修改數(shù)組a的元素值，張量b的元素值也改變了，但是張量c卻不變。修改張量c的元素值，數(shù)組a和張量b的元素值都不變。

這說明torch.from_numpy(array)是做數(shù)組的淺拷貝，torch.Tensor(array)是做數(shù)組的深拷貝。

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。