深度学习-Pytorch同时使用Numpy和Tensors各自特效

用pytorch构建模型，并训练模型，得到一个优化的模型，那么模型构造的数据类型怎样的？

数据分析

数据分析-Pandas如何转换产生新列

经典算法

经典算法-遗传算法的python实现

pytorch中常常遇到的，最基本的数据类型就是tensors。

Pytroch的基本变量是Tensors，但有时候喜欢，或者需要用Numpy变量来处理数据的时候，如果数据转过来转过去很麻烦，也很费事。其实torch在底层架构设计已经有了解决方案，让数据一致，但数据类型有各自的呈现方式。

CPU 和 NumPy 阵列上的Tensors可以共享其底层内存位置，改变一个的数据将改变另一个数据。

这样，如果熟悉Numpy的操作函数，直接使用就行，似乎鱼和熊掌可兼得。

python 复制代码

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

复制代码

t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]

Tensors的变化反映在 NumPy 数组中。

python 复制代码

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")

复制代码

t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]

python 复制代码

n = np.ones(5)
t = torch.from_numpy(n)

NumPy 数组中的更改反映在Tensors中。

python 复制代码

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")

复制代码

t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]

觉得有用 收藏收藏收藏

点个赞点个赞点个赞

End

GPT专栏文章：

GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案