python torch.tensor转numpy.ndarray

可以使用`.numpy()`方法将PyTorch张量转换为NumPy数组，例如：

import torch
import numpy as np

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

# 将PyTorch张量转换为NumPy数组
y = x.numpy()

# 打印NumPy数组
print(y)

输出结果为：

array([[1, 2],
       [3, 4]])

相关问题

torch.tensor和numpy

torch.tensor和numpy都是用于处理数值计算和科学计算的库。torch.tensor是PyTorch中的张量类型，用于构建多维数组。它具有多种用途和数据特点。torch.tensor可以从已有数据创建张量，可以接受Python的列表、NumPy数组或其他张量作为输入。torch.tensor还具有灵活的数据类型转换功能，可以通过指定dtype参数来设置张量的数据类型。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [第二章 Pytorch基础 Chapter 2-4 Numpy与Tensor](https://blog.csdn.net/weixin_37532614/article/details/105265086)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* *3* [【深度学习笔记】彻底理解torch中的tensor与numpy中array区别及用法](https://blog.csdn.net/DeepLearning_/article/details/127677006)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]

torch.tensor 和 torch.from_numpy

torch.tensor 和 torch.from_numpy 都可以用来将数据转换为 PyTorch 张量。

torch.tensor 可以接受各种类型的 Python 对象，包括列表、元组、NumPy 数组等，然后返回一个新的张量。例如：

import torch
import numpy as np

# 从列表创建张量
a = torch.tensor([1, 2, 3])
print(a)

# 从NumPy数组创建张量
b = np.array([4, 5, 6])
c = torch.tensor(b)
print(c)

torch.from_numpy 则是专门用于将 NumPy 数组转换为张量的函数。与 torch.tensor 不同，torch.from_numpy 不会创建新的张量，而是直接使用输入的 NumPy 数组的内存来创建张量。例如：

import torch
import numpy as np

# 创建NumPy数组
a = np.array([1, 2, 3])

# 从NumPy数组创建张量
b = torch.from_numpy(a)
print(b)

# 修改NumPy数组
a[0] = 4

# 查看张量内容
print(b)

在这个例子中，我们使用 torch.from_numpy 将 NumPy 数组 a 转换为张量 b，并将其打印出来。然后我们修改了 NumPy 数组 a 的第一个元素，再次打印张量 b，我们会发现张量 b 也发生了相应的改变，因为它们共享相同的内存。