【深度学习pytorch-6】张量与numpy相互转换

张量与 Numpy 数组之间的互相转换

在深度学习中，张量（tensor）和 Numpy 数组（numpy array）是两种常见的数据结构。张量通常用于深度学习框架（如 PyTorch、TensorFlow 等），而 Numpy 数组在科学计算中被广泛使用。为了便于数据处理和计算，常常需要在它们之间进行转换。

下面介绍张量和 Numpy 数组之间的互相转换。

---

1. PyTorch 张量与 Numpy 数组的互相转换

PyTorch 提供了两种方式来进行转换：torch.tensor() 和 .numpy() 方法。

(1) PyTorch 张量转 Numpy 数组

PyTorch 张量可以通过 .numpy() 方法转换为 Numpy 数组。

import torch
import numpy as np

# 创建一个 PyTorch 张量
tensor = torch.tensor([1, 2, 3, 4, 5])

# 转换为 Numpy 数组
numpy_array = tensor.numpy()

print(type(numpy_array))  # 
print(numpy_array)        # [1 2 3 4 5]

注意：如果张量在 GPU 上（即张量是 CUDA 张量），首先需要将其转换到 CPU，然后才能转换为 Numpy 数组。

tensor = torch.tensor([1, 2, 3, 4, 5]).cuda()  # 创建一个在 GPU 上的张量
numpy_array = tensor.cpu().numpy()  # 先转到 CPU 再转换为 Numpy 数组

(2) Numpy 数组转 PyTorch 张量

Numpy 数组可以通过 torch.from_numpy() 方法转换为 PyTorch 张量。

import torch
import numpy as np

# 创建一个 Numpy 数组
numpy_array = np.array([1, 2, 3, 4, 5])

# 转换为 PyTorch 张量
tensor = torch.from_numpy(numpy_array)

print(type(tensor))  # 
print(tensor)        # tensor([1, 2, 3, 4, 5])

注意：torch.from_numpy() 会共享 Numpy 数组的内存，因此如果修改 Numpy 数组的值，PyTorch 张量的值也会改变，反之亦然。

---

2. TensorFlow 张量与 Numpy 数组的互相转换

TensorFlow 也提供了类似的方法来进行张量与 Numpy 数组之间的转换。

(1) TensorFlow 张量转 Numpy 数组

TensorFlow 张量可以通过 .numpy() 方法转换为 Numpy 数组。

import tensorflow as tf
import numpy as np

# 创建一个 TensorFlow 张量
tensor = tf.constant([1, 2, 3, 4, 5])

# 转换为 Numpy 数组
numpy_array = tensor.numpy()

print(type(numpy_array))  # 
print(numpy_array)        # [1 2 3 4 5]

注意：在 TensorFlow 2.x 中，张量可以直接通过 .numpy() 方法转换为 Numpy 数组。而在 TensorFlow 1.x 中，如果在 Session 中执行操作，可以通过 sess.run() 获取 Numpy 数组。

(2) Numpy 数组转 TensorFlow 张量

Numpy 数组可以通过 tf.convert_to_tensor() 方法转换为 TensorFlow 张量。

import tensorflow as tf
import numpy as np

# 创建一个 Numpy 数组
numpy_array = np.array([1, 2, 3, 4, 5])

# 转换为 TensorFlow 张量
tensor = tf.convert_to_tensor(numpy_array)

print(type(tensor))  # 
print(tensor)        # tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int64)

---

3. 注意事项：

• 内存共享：torch.from_numpy() 和 .numpy() 在 PyTorch 中会共享内存，因此修改一个会影响另一个。但 TensorFlow 中的转换并不共享内存，修改 Numpy 数组不会影响 TensorFlow 张量，反之亦然。

• 数据类型：转换时，确保数据类型的一致性。PyTorch 和 TensorFlow 张量的默认数据类型是 float32，而 Numpy 数组通常是 int64 或 float64。如果数据类型不同，可能需要进行显式的类型转换。

• 设备问题：PyTorch 张量可能存在于不同的设备（如 CPU 或 GPU）上。进行转换时，必须确保张量所在的设备是兼容的。TensorFlow 张量通常是在 CPU 上，如果需要将其放到 GPU 上，使用 .gpu() 或 .to() 方法。

---

示例代码（PyTorch 和 TensorFlow 张量与 Numpy 数组互相转换）：

PyTorch 示例

import torch
import numpy as np

# 创建 PyTorch 张量
tensor = torch.tensor([1.0, 2.0, 3.0])

# 转为 Numpy 数组
numpy_array = tensor.numpy()

# 修改 Numpy 数组并检查 PyTorch 张量是否变化
numpy_array[0] = 100
print("PyTorch Tensor after modifying Numpy Array:", tensor)  # tensor([100.,  2.,  3.])

# 转回 PyTorch 张量
tensor_back = torch.from_numpy(numpy_array)
print("Converted PyTorch Tensor:", tensor_back)  # tensor([100.,  2.,  3.])

TensorFlow 示例

import tensorflow as tf
import numpy as np

# 创建 TensorFlow 张量
tensor = tf.constant([1.0, 2.0, 3.0])

# 转为 Numpy 数组
numpy_array = tensor.numpy()

# 修改 Numpy 数组并检查 TensorFlow 张量是否变化
numpy_array[0] = 100
print("TensorFlow Tensor after modifying Numpy Array:", tensor)  # tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32)

# 转回 TensorFlow 张量
tensor_back = tf.convert_to_tensor(numpy_array)
print("Converted TensorFlow Tensor:", tensor_back)  # tf.Tensor([100.  2.  3.], shape=(3,), dtype=float64)

---

总结

• PyTorch 张量和 Numpy 数组之间：可以使用 .numpy() 和 torch.from_numpy() 进行互相转换。PyTorch 张量和 Numpy 数组共享内存，修改一个会影响另一个。
• TensorFlow 张量和 Numpy 数组之间：可以通过 .numpy() 和 tf.convert_to_tensor() 进行互相转换。TensorFlow 张量和 Numpy 数组不共享内存，修改一个不会影响另一个。

通过这些转换，您可以方便地在不同框架和工具之间传递数据，进行灵活的数据处理和计算。