torch.from_numpy()

torch.from_numpy() 是一个 PyTorch 中的函数，用于将 NumPy 数组转换为 Torch 张量。它接受一个 NumPy 数组作为输入，并返回一个与输入数组共享相同数据的张量。

这个函数在将 NumPy 数组转换为 Torch 张量时非常有用，因为它可以避免复制数据，从而提高性能和节省内存。

示例用法：

import numpy as np
import torch

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

# 将 NumPy 数组转换为 Torch 张量
torch_tensor = torch.from_numpy(numpy_array)

在上面的示例中，我们将一个 NumPy 数组 `numpy_array` 转换为 Torch 张量 `torch_tensor`。通过使用 `torch.from_numpy()` 函数，我们可以直接操作 Torch 张量来进行计算，而无需额外的数据转换步骤。

需要注意的是，`torch.from_numpy()` 函数返回的张量与输入数组共享内存。这意味着在修改张量时，原始的 NumPy 数组也会被修改。因此，在使用该函数时要小心确保不会意外地改变数据。

相关问题

torch.from_numpy

torch.from_numpy是一个函数，用于从numpy.ndarray创建一个张量。返回的张量和numpy.ndarray共用内存，对张量的修改将反映在numpy.ndarray，反之亦然。返回的张量不可调整大小。\[1\]这个函数的语法是torch.from_numpy(ndarray)。举例如下：

import torch
import numpy as np

a = np.array(\[1, 2, 3\])
t = torch.from_numpy(a)
print(t)  # tensor(\[1, 2, 3\])

t\[0\] = -1
print(a)  # array(\[-1, 2, 3\])

在这个例子中，我们首先创建了一个numpy数组a，然后使用torch.from_numpy函数将其转换为张量t。修改张量t的值会反映在原始的numpy数组a上。\[2\]

另外一个例子如下：

import numpy as np
import torch

data1 = np.array(\[12, 56, 9, 6\])
print('data1的数据类型为：', type(data1))
print('data1的值为：', data1)

data2 = torch.from_numpy(data1)
print('data2的数据类型为：', type(data2))
print('data2的值为：', data2)

data2\[1\] = 3
print('data2的数据类型为：', type(data2))
print('data2的值为：', data2)

在这个例子中，我们首先创建了一个numpy数组data1，然后使用torch.from_numpy函数将其转换为张量data2。修改张量data2的值会反映在原始的numpy数组data1上。\[3\]
#### 引用[.reference_title]
- *1* [深入浅出Pytorch函数——torch.from_numpy](https://blog.csdn.net/hy592070616/article/details/129309583)[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^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* [torch.from_numpy(ndarray) 功能及举例](https://blog.csdn.net/zhaoyunduan1958/article/details/108603945)[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^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [torch.from_numpy() 函数《torch学习篇》](https://blog.csdn.net/m0_56654441/article/details/120645753)[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^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .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。