如何将 Numpy 数组转换为张量?
Numpy 是一个流行的 Python 库，用于数值计算和科学计算，提供强大的数组对象来处理大型和多维数组。然而，当涉及到机器学习、深度学习和神经网络时，PyTorch 是一个广泛使用的库，它为构建和训练这些模型提供了一个高效而灵活的平台。
虽然 Numpy 数组和 PyTorch 张量在许多方面相似，但它们具有不同的属性和方法，这使得在使用 PyTorch 进行机器学习应用时，必须将 Numpy 数组转换为 PyTorch 张量。在本文中，我们将探讨将 Numpy 数组转换为 PyTorch 张量的过程，并讨论可能需要进行这种转换的一些用例。我们还将通过一个简单的代码示例演示如何执行此转换。
以下是将 Numpy 数组转换为 PyTorch 张量的两种方法:
方法 1:使用 torch.tensor()
导入必要的库 - PyTorch 和 Numpy
创建要转换为 PyTorch 张量的 Numpy 数组
使用 torch.tensor() 方法将 Numpy 数组转换为 PyTorch 张量
(可选)指定 dtype 参数以确保张量具有所需的数据类型
生成的张量将具有与原始 Numpy 相同的形状和数据类型数组。
考虑下面显示的代码。
示例
# 导入必要的库
import torch
import numpy as np
# 创建 Numpy 数组
numpy_array = np.array([1, 2, 3])
# 使用 torch.tensor() 将 Numpy 数组转换为 Tensor
tensor = torch.tensor(numpy_array)
# 打印原始 Numpy 数组和生成的 Tensor
print("Numpy array:", numpy_array)
print("Tensor:", tensor)
说明
在此示例中，我们首先导入必要的库 - PyTorch 和 Numpy。然后我们创建一个简单的 1D Numpy 数组。然后我们使用 torch.tensor() 方法将 Numpy 数组转换为 PyTorch 张量，并将结果张量存储在变量 tensor 中。最后，我们打印原始 Numpy 数组和结果张量以验证转换是否成功。
输出
Numpy 数组:[1 2 3] 张量:tensor([1, 2, 3])
方法 2:使用 torch.from_numpy()
导入必要的库 - PyTorch 和 Numpy
创建要转换为 PyTorch 张量的 Numpy 数组
使用 torch.from_numpy() 方法将 Numpy 数组转换为 PyTorch 张量
结果张量将与原始 Numpy 数组共享相同的底层数据，这对于工作时的内存效率很有用具有大型数据集。
可选地，您可以指定 dtype 参数以确保张量具有所需的数据类型。
考虑下面显示的代码。
示例
# 导入必要的库
import torch
import numpy as np
# 创建 Numpy 数组
numpy_array = np.array([1, 2, 3])
# 使用 torch.from_numpy() 将 Numpy 数组转换为 Tensor
tensor = torch.from_numpy(numpy_array)
# 打印原始 Numpy 数组和生成的 Tensor
print("Numpy 数组:", numpy_array)
print("张量:", tensor)
解释
在此示例中，我们首先导入必要的库 - PyTorch 和 Numpy。然后我们创建一个简单的 1D Numpy 数组。然后我们使用 torch.from_numpy() 方法将 Numpy 数组转换为 PyTorch 张量，并将结果张量存储在变量 tensor 中。最后，我们打印原始 Numpy 数组和结果张量以验证转换是否成功。
注意:关于这种方法需要注意的一件重要事情是，结果张量将与原始 Numpy 数组共享相同的底层数据。这意味着对张量所做的任何更改也会影响原始 Numpy 数组，反之亦然。这对于处理大型数据集时的内存效率很有用，但这也意味着您在修改 Numpy 数组或 PyTorch 张量中的数据时需要小心。
输出
Numpy 数组:[1 2 3] 张量:tensor([1, 2, 3])
结论
总之，将 Numpy 数组转换为 PyTorch 张量是许多机器学习和深度学习项目中简单而必要的步骤。在本文中，我们讨论了完成此任务的两种方法 - 使用 torch.tensor() 和 torch.from_numpy()。这两种方法都很简单高效，选择哪种方法可能取决于项目的具体要求。
