torch.from_numpy()方法

torch.from_numpy() 是 PyTorch 中的一个方法，用于将 NumPy 数组转换为 PyTorch 张量。该方法会将 NumPy 数组和 PyTorch 张量共享底层的存储空间，因此在转换后修改其中一个对象，另一个对象也会受到影响。该方法的语法如下：

torch.from_numpy(ndarray) -> Tensor

其中，ndarray 是要转换的 NumPy 数组，返回值是转换后的 PyTorch 张量。

下面是一个例子：

import numpy as np
import torch

ndarray = np.array([[1, 2], [3, 4]])
tensor = torch.from_numpy(ndarray)

print(tensor)
# 输出：
# tensor([[1, 2],
#         [3, 4]])

tensor[0][0] = 0
print(ndarray)
# 输出：
# [[0 2]
#  [3 4]]

可以看到，对转换后的 PyTorch 张量进行修改，原始的 NumPy 数组也跟着改变了。

相关问题

torch.from_numpy方法

torch.from_numpy方法是PyTorch中的一个函数，用于将NumPy数组转换为张量。它的功能是将给定的NumPy数组作为输入，创建一个与该数组具有相同数据类型和形状的PyTorch张量。这个方法非常有用，因为它允许我们在PyTorch中使用NumPy数组，而无需复制数组的数据。通过这种方式，我们可以方便地在PyTorch和NumPy之间进行数据转换。

使用torch.from_numpy方法非常简单。我们只需要将NumPy数组作为参数传递给这个方法即可。例如，如果我们有一个名为`ndarray`的NumPy数组，我们可以使用以下代码将其转换为PyTorch张量：

import torch
import numpy as np

ndarray = np.array([1, 2, 3, 4, 5])
tensor = torch.from_numpy(ndarray)

print(tensor)

这将打印出转换后的张量：

tensor([1, 2, 3, 4, 5])

需要注意的是，torch.from_numpy方法不会创建一个新的张量，而是将NumPy数组作为张量的数据存储。这意味着当我们改变原始NumPy数组时，张量的值也会相应地改变。同样，当我们改变张量的值时，NumPy数组的值也会相应地改变。这种共享内存的特性可以提高性能并减少内存占用。

总结起来，torch.from_numpy方法是一个用于将NumPy数组转换为PyTorch张量的函数，它简化了在PyTorch和NumPy之间进行数据转换的过程，并且在内存共享方面具有优势。

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 ]