这篇文章主要介绍了详解pytorch tensor和ndarray转换相关总结，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
在使用pytorch的时候，经常会涉及到两种数据格式tensor和ndarray之间的转换，这里总结一下两种格式的转换：
1. tensor cpu 和tensor gpu之间的转化：
tensor cpu 转为tensor gpu：
tensor_gpu = tensor_cpu.cuda()
>>> tensor_cpu = torch.ones((2,2)) tensor([[1., 1.], [1., 1.]]) >>> tensor_gpu = tensor_cpu.cuda() tensor([[1., 1.], [1., 1.]], device='cuda:0')
tensor gpu 转为tensor cpu：
tensor_cpu = tensor_gpu.cuda()
>>> tensor_gpu.cpu() tensor([[1., 1.], [1., 1.]])
2. tensor cpu 和 ndarray 之间的转化：
tensor cpu 转为 ndarray：
>>> np_array= tensor_cpu.num<strong style="color:transparent">来源gaodaima#com搞(代@码网</strong>py() array([[1., 1.], [1., 1.]], dtype=float32)
ndarray 转为 tensor cpu：
注：ndarray的默认精度为64位，Tensor的默认精度位32位，所以通过Tensor直接转换的话，精度会转换到32位，若通过from_numpy的方式，则会保留原来64位精度
>>> torch.from_numpy(np.ones((2,2))) tensor([[1., 1.], [1., 1.]], dtype=torch.float64) >>> torch.Tensor(np.ones((2,2))) tensor([[1., 1.], [1., 1.]])
3. tensor cpu 和 scalar 之间的转化：
如果只是训练了一个简单的分类网络，对单个样本的输出会是一个标量（scalar）
>>>torch.ones((1,1)).item() 1.0
通过一张图说明三者的转化方式：
以上就是详解pytorch tensor和ndarray转换相关总结的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：详解pytorch tensor和ndarray转换相关总结
转载请注明原文链接：详解pytorch tensor和ndarray转换相关总结
