详解pytorch tensor和ndarray转换相关总结
更新时间：2020年09月03日 10:03:21 作者：再困也得吃
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.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转换内容请搜索脚本之家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脚本之家！
相关文章
本文主要介绍了详解Python不同版本之间的切换方法，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2023-03-03
这篇文章主要介绍了如何在Linux服务器上配置和使用豆包大模型的API,通过API处理200万字的文档,展现了技术的发展和应用,需要的朋友可以参考下2025-01-01
这篇文章主要介绍了python中对开区间和闭区间的理解，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2022-07-07
这篇文章主要介绍了Django ORM 事务和查询优化,包括事务操作、ORM 惰性查询及only与defer相关知识，本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2022-09-09
Python使用Windows API创建窗口示例【基于win32gui模块】
这篇文章主要介绍了Python使用Windows API创建窗口操作,结合实例形式分析了Python基于win32gui模块调用Windows API创建窗口具体操作步骤与相关实现技巧,需要的朋友可以参考下2018-05-05
这篇文章主要介绍了python中的二维列表实例详解,文中给大家介绍了python 二维列表按列取元素的方法，需要的朋友可以参考下2018-06-06
如何使用python的plot绘制loss、acc曲线并存储成图片
在数据可视化中曲线图是一种常见的展示数据趋势的方式,Python作为一种强大的编程语言,提供了丰富的数据处理和可视化库,使得绘制曲线图变得非常简单,下面这篇文章主要给大家介绍了关于如何使用python的plot绘制loss、acc曲线并存储成图片的相关资料,需要的朋友可以参考下2024-03-03
这篇文章主要介绍了python函数的万能参数传参详解,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,需要的朋友可以参考下2019-07-07
这篇文章主要介绍了Python Pandas的concat合并，文章围绕主题展开详细的内容介绍，具有一定的参考价值，需要的小伙伴可以参考一下2022-08-08
这篇文章主要给大家介绍了关于yolov5返回坐标的相关资料,文中通过实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,需要的朋友可以参考下2022-03-03
最新评论