pytorch中.data()与.item()，.numpy()，.detach()，.cuda()，.cpu()的作用

本文链接：https://blog.youkuaiyun.com/joejoeqian/article/details/130847440

本文介绍了PyTorch中处理张量的一些关键操作，如.data用于将变量转化为tensor并关闭梯度追踪，.item()转换tensor为Python浮点数，.numpy()生成共享内存的numpy数组，detach()用于断开张量与计算图的关联，以及.cuda()和.cpu()在GPU与CPU间移动张量的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们在深度 pytorch 代码中经常看到以下表示，简单记录一下：
.data：
把变量设置成 tensor 类型，requires_grad 设置为 Flase

a = torch.tensor ([1.0], requires_grad=True)
b = a.data
print (b, b.requires_grad)

输出为： tensor ([1.]) False

.item ()
把 tensor 转为 python 的 float 类型

a = torch.tensor ([1.0], requires_grad=True)
 
c = a.item ()
print (c, type (c))
## 输出为：1.0 <class 'float'>

.numpy ()
将张量转换为与其共享底层存储的 n 维 numpy 数组

.detach ()
当我们在训练神经网络的时候可能希望保持一部分的网络参数不变，只对其中一部分参数进行调整；或者只训练部分分支网络，并不让其梯度对主网络的梯度造成影响，这时候我们就需要使用 detach ()函数来切断一些分支的反向传播

返回一个与当前计算图分离的、不再需要梯度的新张量
返回一个新的 tensor，从当前计算图中分离下来的，但是仍指向原变量的存放位置，不同之处只是 requires_grad 为 false，得到的这个 tensor 永远不需要计算其梯度，不具有 grad。

.cuda ()
将张量拷贝到 GPU 上

.cpu ()
将张量拷贝到 CPU 上