将 numpy 数组转换为 PyTorch 张量

在深度学习中，经常需要使用 PyTorch 进行数据处理和建模。而 PyTorch 中的核心结构是张量（tensor）。因此，我们需要将常见的数据类型，比如 Numpy 数组，转换为 PyTorch 张量。

本文将向您介绍如何将 Numpy 数组转换为 PyTorch 张量。

1. 转换方法

我们可以使用 torch.from_numpy() 函数将 Numpy 数组转换为 PyTorch 张量。它会返回一个新的张量，其数据类型和形状与输入数组相同。下面是一个例子：

import numpy as np
import torch

# 创建一个 Numpy 数组
np_array = np.array([[1, 2, 3],
                     [4, 5, 6]])

# 将 Numpy 数组转换为张量
tensor = torch.from_numpy(np_array)

# 打印张量
print(tensor)

输出：

tensor([[1, 2, 3],
        [4, 5, 6]], dtype=torch.int32)

2. 注意事项

在使用 torch.from_numpy() 函数时，需要注意以下几点：

（1）内存共享

torch.from_numpy() 函数不会为新创建的张量分配新的内存空间，而是与 Numpy 数组共享相同的内存。如果改变了 Numpy 数组的值，张量的值也会随之改变。

例如：

import numpy as np
import torch

# 创建一个 Numpy 数组
np_array = np.array([[1, 2, 3],
                     [4, 5, 6]])

# 将 Numpy 数组转换为张量
tensor = torch.from_numpy(np_array)

# 改变 Numpy 数组的值
np_array[0][0] = -1

# 打印张量
print(tensor)

输出：

tensor([[-1,  2,  3],
        [ 4,  5,  6]], dtype=torch.int32)

可以看到，改变了 Numpy 数组的值后，张量的值也随之改变。

（2）类型转换

torch.from_numpy() 函数只能将 Numpy 数组转换为支持的数据类型的张量。例如，如果 Numpy 数组的数据类型是复数类型，则无法将其转换为张量。同时，如果 Numpy 数组和张量的数据类型不一致，则会自动进行类型转换。

例如：

import numpy as np
import torch

# 创建一个 Numpy 数组，数据类型为 float
np_array = np.array([[1.1, 2.2, 3.3],
                     [4.4, 5.5, 6.6]])

# 将 Numpy 数组转换为张量
tensor = torch.from_numpy(np_array)

# 打印张量的数据类型
print(tensor.dtype)

输出：

torch.float64

可以看到，由于 Numpy 数组的数据类型为 float，因此转换后的张量的数据类型为 float64。

（3）张量属性

由于 PyTorch 张量与 Numpy 数组相似，因此它们有许多相同的属性，比如形状（shape）和维度（dimension）。通过以下代码，您可以查看张量的属性：

import numpy as np
import torch

# 创建一个 Numpy 数组
np_array = np.array([[1, 2, 3],
                     [4, 5, 6]])

# 将 Numpy 数组转换为张量
tensor = torch.from_numpy(np_array)

# 打印张量的形状和维度
print(tensor.shape)
print(tensor.ndim)

输出：

torch.Size([2, 3])
2

可以看到，张量的形状和维度与 Numpy 数组相同。

3. 总结

本文介绍了如何将 Numpy 数组转换为 PyTorch 张量。在实际的深度学习项目中，您将经常需要使用这个技巧来处理数据。在转换时，需要注意内存共享、类型转换和张量属性等问题。