NumPy 数组 vs PyTorch Tensor

🔍 一、核心区别对比

特性	NumPy 数组 (`numpy.ndarray`)	PyTorch Tensor (`torch.Tensor`)
诞生背景	传统科学计算、数据分析	深度学习、神经网络
运行设备	只能在 CPU 上运行	既能在 CPU，也能在 GPU/NPU 上加速运行
自动求导	❌ 不支持（需要自己写反向传播公式）	✅ 支持自动求导（AutoGrad）
典型生态	Pandas, SciPy, Matplotlib, Scikit-learn	PyTorch, Hugging Face, OpenMMLab

一句话总结 ：

NumPy 是 CPU 上的普通计算工具 ；Tensor 是专为深度学习设计的硬件加速 + 自动求导版"超级 NumPy"。

💻 二、具体长什么样子？

我们来看一下它们在 Python 里的代码表现和实际输出：

1. 它们长得有多像？（创建与打印）

python 复制代码

import numpy as np
import torch

# 创建一个 2x3 的 NumPy 数组
arr = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])

# 创建一个 2x3 的 PyTorch Tensor
tensor = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])

print("--- 1. 打印外观 ---")
print("NumPy 数组:\n", arr)
print("\nPyTorch Tensor:\n", tensor)

运行输出长这样：

text 复制代码

--- 1. 打印外观 ---
NumPy 数组:
 [[1. 2. 3.]
  [4. 5. 6.]]

PyTorch Tensor:
 tensor([[1., 2., 3.],
        [4., 5., 6.]])

(可以看到，Tensor 打印出来时外面会多一个 tensor(...) 的包裹标记。)

2. 区别一：能否放到 GPU 上跑？

这是深度学习模型训练速度相差成百上千倍的关键原因。

python 复制代码

# NumPy 数组：只能呆在 CPU 里，无法移到 GPU
# arr.to('cuda')  # ❌ 报错！NumPy 没有这个方法

# PyTorch Tensor：可以随时切换到 GPU
if torch.cuda.is_available():
    tensor_gpu = tensor.to("cuda")  # 🚀 移到 GPU 上运行
    print("\nGPU 上的 Tensor:\n", tensor_gpu)

3. 区别二：自动求导（深度学习的核心）

NumPy 只负责算数值；而 Tensor 可以记录计算过程并自动算导数（梯度）。

python 复制代码

# 让 tensor 能够追踪梯度（requires_grad=True）
x = torch.tensor([3.0], requires_grad=True)

# 定义一个函数 y = x^2 + 5
y = x**2 + 5

# 自动进行反向传播（求导 dy/dx = 2x）
y.backward()

print("x 的导数 (dy/dx):", x.grad)  # 当 x=3 时，2*3 = 6

运行输出：

text 复制代码

x 的导数 (dy/dx): tensor([6.])

(如果用 NumPy，你就必须自己手动推导 y′=2xy' = 2xy′=2x 并写代码计算。)

🔄 三、它们之间怎么互相转换？

在日常开发中（比如使用 torch.utils.data.Dataset），我们经常需要让它们相互转换：

1. NumPy 转换为 Tensor

python 复制代码

# 方法 A：torch.from_numpy() ------ 共享内存，效率最高
arr = np.array([1, 2, 3])
tensor_a = torch.from_numpy(arr)

# 方法 B：torch.tensor() ------ 复制一份新的数据
tensor_b = torch.tensor(arr)

2. Tensor 转换为 NumPy

python 复制代码

# 直接调用 .numpy() 即可
tensor = torch.tensor([1.0, 2.0, 3.0])
arr = tensor.numpy()

# ⚠️ 注意：如果在 GPU 上，或者开启了求导，需要先切断关联并移回 CPU
# arr = tensor.detach().cpu().numpy()

做传统数据处理、绘图时 ：用 NumPy（比如读取 CSV 文本、用 Matplotlib 画图）。
喂给神经网络模型训练时 ：必须用 PyTorch Tensor（因为模型需要 GPU 加速和更新权重参数）。