Pytorch张量核心运算精讲：从类型转换到数值操作全解析

一、张量基础转换：跨类型操作的核心方法
- [1.1 张量转Numpy数组](#1.1 张量转Numpy数组)
- [1.2 Numpy数组转张量](#1.2 Numpy数组转张量)
- [1.3 标量、张量与数字的转换](#1.3 标量、张量与数字的转换)
二、张量数值基本运算：API与符号双操作体系
- [2.1 核心运算API：加减乘除与取反](#2.1 核心运算API：加减乘除与取反)
- [2.2 下划线版API：直接修改原张量](#2.2 下划线版API：直接修改原张量)
- [2.3 算术符号：更简洁的替代方案](#2.3 算术符号：更简洁的替代方案)
- - [2.3.1 基础符号运算：不修改原张量](#2.3.1 基础符号运算：不修改原张量)
  - [2.3.2 复合赋值符号：原地修改原张量](#2.3.2 复合赋值符号：原地修改原张量)
- [2.4 张量运算的两个关键特性](#2.4 张量运算的两个关键特性)
- - 特性1：广播机制------标量与张量的逐元素运算
  - 特性2：除法的两种形式------浮点除与整除
- [2.5 API与符号的选择原则](#2.5 API与符号的选择原则)
三、张量运算核心流程梳理
四、总结

在Pytorch的深度学习实践中，张量（Tensor） 作为数据处理的核心载体，其各类操作是入门者必须掌握的基础技能。从张量与numpy数组的互转，到标量、数字的类型转换，再到加减乘除的数值运算，每一个操作都直接影响着后续模型构建与反向传播的效率。本文将结合实战讲解，把Pytorch张量的核心基础操作一网打尽，让你轻松上手张量运算，夯实深度学习编程基础✨。

一、张量基础转换：跨类型操作的核心方法

在数据处理的过程中，张量与numpy数组、标量与数字之间的转换是高频操作，尤其是在反向传播环节，标量的转换更是日常使用的关键，接下来我们逐一拆解这些转换的核心方法与底层特性。

1.1 张量转Numpy数组

张量转Numpy数组的操作十分简洁，直接通过张量对象.numpy() 方法即可实现，这一方法能快速完成两种数据结构的转换，满足我们利用Numpy库进行后续数据处理的需求。

python 复制代码

import torch
# 创建张量
t = torch.tensor([1, 2, 3])
# 张量转numpy数组
arr = t.numpy()
print("张量：", t)
print("转换后的numpy数组：", arr)
print("numpy数组类型：", type(arr))

运行结果：

Plain 复制代码

张量： tensor([1, 2, 3])
转换后的numpy数组： [1 2 3]
numpy数组类型： <class 'numpy.ndarray'>

1.2 Numpy数组转张量

将Numpy数组转为张量有两种核心方法 ，这两种方法的核心区别在于是否共享内存，在实际使用中需根据场景选择，避免因内存共享导致的数据意外修改问题。

转换方法	内存特性	适用场景
`torch.from_numpy(arr)`	与原Numpy数组共享内存	数据量较大，追求内存效率，无需独立修改数据
`torch.Tensor(arr)`	与原Numpy数组不共享内存	需独立操作张量，避免修改张量影响原数组
代码演示：

python 复制代码

import torch
import numpy as np
# 创建numpy数组
arr = np.array([4, 5, 6])
# 方法1：from_numpy（共享内存）
t1 = torch.from_numpy(arr)
# 方法2：Tensor（不共享内存）
t2 = torch.Tensor(arr)

# 修改原数组，观察t1和t2的变化
arr[0] = 100
print("共享内存的张量t1：", t1)  # 随原数组改变
print("不共享内存的张量t2：", t2)  # 不随原数组改变

运行结果：

Plain 复制代码

共享内存的张量t1： tensor([100,   5,   6], dtype=torch.int32)
不共享内存的张量t2： tensor([4., 5., 6.])

1.3 标量、张量与数字的转换

在模型训练的反向传播中，我们经常需要将张量形式的标量转换为Python原生数字，这一操作通过张量对象.item() 方法即可实现，该方法仅适用于标量张量（即形状为[]的张量），是反向传播中提取损失值、精度值的核心方法。

python 复制代码

import torch
# 创建标量张量
t_scalar = torch.tensor(99)
# 标量张量转Python数字
num = t_scalar.item()
print("标量张量：", t_scalar)
print("转换后的数字：", num)
print("数字类型：", type(num))

运行结果：

Plain 复制代码

标量张量： tensor(99)
转换后的数字： 99
数字类型： <class 'int'>

二、张量数值基本运算：API与符号双操作体系

Pytorch为张量的数值运算提供了两套操作方案 ：一是专用的API函数（如add、sub），二是更简洁的算术符号（如+、-）。其中API函数又分为普通版 和下划线版 （如add_、sub_），核心区别在于是否修改原张量，这一设计与Pandas中的inplace=True异曲同工，接下来我们详细讲解这一体系的使用方法与核心特性。

2.1 核心运算API：加减乘除与取反

张量的基础数值运算包含加、减、乘、除、取反 五大核心操作，对应的API函数及含义如下表所示，所有普通版API均不会修改原张量，会返回一个新的张量作为运算结果。

运算类型	核心API	英文全称	功能说明
加法	`torch.add()`/`t.add()`	add	张量与数值/另一张量做加法
减法	`torch.sub()`/`t.sub()`	subtract	张量与数值/另一张量做减法
乘法	`torch.multiply()`/`t.multiply()`	multiply	张量与数值/另一张量做点乘
除法	`torch.divide()`/`t.divide()`	divide	张量与数值/另一张量做除法，返回小数
取反	`torch.neg()`/`t.neg()`	negative	对张量中每个元素取相反数，无需传参

2.2 下划线版API：直接修改原张量

在所有核心运算API后添加下划线 ，即得到原地运算API （如add_、sub_），这类API会直接修改原张量 的数值，不返回新的张量，适用于需要节省内存、直接更新数据的场景，其效果等价于API普通版 + 原张量赋值。

我们以加法为例，对比普通版API与下划线版API的差异：

python 复制代码

import torch
# 创建基础张量
t = torch.tensor([1, 2, 3])
# 普通版add：不修改原张量，返回新张量
t_new = t.add(10)
print("原张量t：", t)
print("新张量t_new：", t_new)

# 下划线版add_：直接修改原张量，无返回值
t.add_(10)
print("执行add_后的原张量t：", t)

运行结果：

Plain 复制代码

原张量t： tensor([1, 2, 3])
新张量t_new： tensor([11, 12, 13])
执行add_后的原张量t： tensor([11, 12, 13])

2.3 算术符号：更简洁的替代方案

对于入门者和日常开发而言，算术符号 是比API更优的选择，无需记忆繁琐的函数名，仅用+、-、*、/、-（取反）即可实现上述所有运算，且效果与普通版API完全一致。同时，复合赋值符号 （如+=、-=、*=、/=）可实现与下划线版API相同的原地修改效果，让代码更简洁、可读性更高💻。

2.3.1 基础符号运算：不修改原张量

python 复制代码

import torch
t = torch.tensor([1, 2, 3])
# 加法：等价于t.add(10)
t_add = t + 10
# 减法：等价于t.sub(1)
t_sub = t - 1
# 乘法：等价于t.multiply(2)
t_mul = t * 2
# 除法：等价于t.divide(2)，返回小数
t_div = t / 2
# 取反：等价于t.neg()
t_neg = -t

print("原张量：", t)
print("加法结果：", t_add)
print("减法结果：", t_sub)
print("乘法结果：", t_mul)
print("除法结果：", t_div)
print("取反结果：", t_neg)

运行结果：

Plain 复制代码

原张量： tensor([1, 2, 3])
加法结果： tensor([11, 12, 13])
减法结果： tensor([0, 1, 2])
乘法结果： tensor([2, 4, 6])
除法结果： tensor([0.5000, 1.0000, 1.5000])
取反结果： tensor([-1, -2, -3])

2.3.2 复合赋值符号：原地修改原张量

python 复制代码

import torch
t = torch.tensor([1, 2, 3])
# 原地加法：等价于t.add_(10)
t += 10
print("执行+=后的张量：", t)
# 原地乘法：等价于t.multiply_(2)
t *= 2
print("执行*=后的张量：", t)

运行结果：

Plain 复制代码

执行+=后的张量： tensor([11, 12, 13])
执行*=后的张量： tensor([22, 24, 26])

2.4 张量运算的两个关键特性

在使用上述所有运算方式时，有两个核心特性需要牢记，这是避免运算错误、提升代码效率的关键：

特性1：广播机制------标量与张量的逐元素运算

当张量与单个数值 进行运算时，Pytorch会自动触发广播机制 ，将该数值与张量中的每一个元素依次进行运算，无需手动遍历，这一特性极大简化了标量与张量的运算代码，也是上述所有示例中能直接用张量加/减/乘/除单个数值的原因。

特性2：除法的两种形式------浮点除与整除

Pytorch中张量的除法分为浮点除（/） 和整除（//） 两种：

浮点除 ：使用/或divide()，返回浮点型张量，保留小数部分；
整除：使用//，返回整型张量，仅保留商的整数部分，舍去余数。

代码演示：

python 复制代码

import torch
t = torch.tensor([1, 2, 3])
# 浮点除
t_float_div = t / 2
# 整除
t_int_div = t // 2
print("浮点除结果：", t_float_div)
print("整除结果：", t_int_div)

运行结果：

Plain 复制代码

浮点除结果： tensor([0.5000, 1.0000, 1.5000])
整除结果： tensor([0, 1, 1])

2.5 API与符号的选择原则

看到这里很多同学会问：既然符号运算更简洁，为什么Pytorch还要提供API函数？其实这一设计是为了满足不同的开发需求：

对于日常开发、快速原型构建 ，算术符号是最优选择，代码更简洁、易读、易写，无需记忆API；
对于复杂框架开发、自定义函数 ，API函数更具灵活性，可作为参数传入其他函数，适配更复杂的编程场景。

简单来说：入门用符号，进阶按需用API，无需死记硬背所有API，掌握符号运算即可应对90%以上的日常场景✅。

三、张量运算核心流程梳理

为了让大家更清晰地掌握张量基础运算的逻辑，我们用Mermaid流程图梳理从张量创建到数值运算的完整流程，涵盖「不修改原张量」和「修改原张量」两种核心场景，帮你形成系统化的操作思路。
否
是
导入torch库
创建张量t
是否修改原张量?
普通API/基础符号运算
下划线API/复合赋值符号
新张量，原张量不变
原张量直接更新
操作新张量
操作更新后原张量

图表说明：该流程图展示了Pytorch张量基础数值运算的核心决策与操作流程，核心分支为「是否修改原张量」，不同分支对应不同的操作方式，最终导向不同的张量使用结果，是日常张量运算的核心逻辑框架。

四、总结

本文详细讲解了Pytorch张量的基础类型转换 和数值基本运算两大核心模块，核心知识点可总结为以下几点：

张量与Numpy互转的关键在内存共享 ，from_numpy共享内存，Tensor不共享；item()是标量张量转数字的核心方法，反向传播高频使用；
张量数值运算有API 和算术符号 两套体系，API下划线版等价于Pandas的inplace=True，直接修改原张量；
算术符号是入门最优解，+、-、*、/对应基础运算，+=、-=、*=、/=对应原地运算，取反直接用-，简洁高效；
张量与标量运算触发广播机制 ，逐元素运算；除法分/（浮点除）和//（整除），按需选择；
API与符号无优劣，日常开发用符号，复杂开发用API，无需死记硬背。

张量的基础运算是Pytorch的入门基石，掌握这些操作后，我们才能进一步学习张量的点乘、矩阵乘法、维度变换等更复杂的操作，为后续的神经网络构建、模型训练打下坚实的基础。后续我们将继续讲解张量的高级运算，敬请期待🚀！

小练习：尝试用本文的知识实现以下操作：

创建一个Numpy数组[7,8,9]，分别用两种方法转为张量，验证内存共享特性；
创建张量[2,4,6]，分别用API和符号实现「加5」「乘3」「整除2」，对比两种方式的结果；
将标量张量torch.tensor(66.6)转为Python数字，打印类型与数值。

（答案可在评论区交流，一起夯实基础～）