tensor本地存储

### 存储 Tensor 数据的方法

#### 使用 PyTorch 存储 Tensor

PyTorch 提供了简单易用的功能来保存和加载张量。可以利用 `torch.save` 和 `torch.load` 函数实现这一点。

import torch

# 创建一个随机张量作为例子
tensor_to_save = torch.randn(5, 3)

# 将张量保存到文件
torch.save(tensor_to_save, 'saved_tensor.pt')

为了读取已保存的张量，只需调用相应的加载函数：

loaded_tensor = torch.load('saved_tensor.pt')
print(loaded_tensor)

这种方法适用于快速存档单个张量或整个模型状态字典[^1]。

#### 使用 TensorFlow 存储 Tensor

对于 TensorFlow 用户来说，同样存在多种方式来持久化 tensor 数据。一种常见的方式是使用 NumPy 来处理 I/O 操作，因为 TensorFlow tensors 可以很容易转换成 numpy arrays。

import tensorflow as tf
import numpy as np

# 定义并初始化一个简单的常数张量
constant_tensor = tf.constant([[1., 2.], [3., 4.]])
numpy_array = constant_tensor.numpy()

# 利用 NumPy 功能保存数组至 .npy 文件
np.save('my_saved_tensor.npy', numpy_array)

要恢复这些数据，可以通过如下代码片段完成：

restored_numpy_array = np.load('my_saved_tensor.npy')
tf_restored_tensor = tf.convert_to_tensor(restored_numpy_array)
print(tf_restored_tensor)

此外，在 TensorFlow 中还可以直接操作 checkpoint 或者 SavedModel 格式来进行更复杂的对象序列化工作[^2].