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.numpy()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：

到此这篇关于详解pytorch tensor和ndarray转换相关总结的文章就介绍到这了,更多相关pytorch tensor和ndarray转换内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！