04-Tensor（张量）数据转换

在深度学习和科学计算中，Tensor（张量） 是多维数组的泛化形式，是存储和处理数据的基本数据结构。Tensor 数据转换是指在不同框架（如 PyTorch、TensorFlow、NumPy 等）之间或同一框架内部对 Tensor 进行**类型、形状、设备（CPU/GPU）**等方面的转换。

以下是常见的 Tensor 数据转换操作及其在不同框架中的实现方式。

1、 Tensor 的类型转换

Tensor 的数据类型（如 float32、int64 等）可以根据需要进行转换。

PyTorch
PyTorch Tensor 支持多种数据类型（如 float32、int64 等），可以通过 .to() 或直接调用类型转换方法进行转换。

import torch

# 创建一个整数类型的 Tensor
tensor = torch.tensor([1, 2, 3], dtype=torch.int32)

# 转换为浮点类型
tensor_float = tensor.float()  # 或者使用 tensor.to(torch.float32)
print(tensor_float)

# 转换为双精度浮点类型
tensor_double = tensor.double()  # 或者使用 tensor.to(torch.float64)
print(tensor_double)

# 转换为布尔类型
tensor_bool = tensor.bool()  # 非零值为 True，零值为 False
print(tensor_bool)

TensorFlow

import tensorflow as tf

# 创建一个整数类型的 Tensor
tensor = tf.constant([1, 2, 3], dtype=tf.int32)

# 转换为浮点类型
tensor_float = tf.cast(tensor, tf.float32)
print(tensor_float)

NumPy

import numpy as np

# 创建一个整数类型的数组
array = np.array([1, 2, 3], dtype=np.int32)

# 转换为浮点类型
array_float = array.astype(np.float32)
print(array_float)

2、Tensor 的形状转换

Tensor 的形状可以通过重塑（reshape）、转置（transpose）等操作进行转换。

PyTorch
PyTorch 提供了多种方法来改变 Tensor 的形状，包括 reshape()、view()、transpose() 等。

import torch

# 创建一个 2x3 的 Tensor
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 使用 reshape 改变形状
tensor_reshaped = tensor.reshape(3, 2)  # 变为 3x2
print(tensor_reshaped)

# 使用 view 改变形状（view 要求内存连续）
tensor_viewed = tensor.view(3, 2)  # 变为 3x2
print(tensor_viewed)

# 转置操作
tensor_transposed = tensor.t()  # 变为 3x2
print(tensor_transposed)

# 扩展维度
tensor_unsqueezed = tensor.unsqueeze(0)  # 在第 0 维增加一个维度
print(tensor_unsqueezed.shape)  # 输出: torch.Size([1, 2, 3])

# 压缩维度
tensor_squeezed = tensor_unsqueezed.squeeze(0)  # 移除第 0 维
print(tensor_squeezed.shape)  # 输出: torch.Size([2, 3])

TensorFlow

import tensorflow as tf

# 创建一个 2x3 的 Tensor
tensor = tf.constant([[1, 2, 3], [4, 5, 6]])

# 重塑为 3x2
tensor_reshaped = tf.reshape(tensor, [3, 2])
print(tensor_reshaped)

# 转置
tensor_transposed = tf.transpose(tensor)
print(tensor_transposed)

NumPy

import numpy as np

# 创建一个 2x3 的数组
array = np.array([[1, 2, 3], [4, 5, 6]])

# 重塑为 3x2
array_reshaped = array.reshape(3, 2)
print(array_reshaped)

# 转置
array_transposed = array.T
print(array_transposed)

3、Tensor 的设备转换

在深度学习中，Tensor 可以在 CPU 和 GPU 之间进行转换以加速计算。

PyTorch

import torch

# 创建一个 Tensor（默认在 CPU 上）
tensor = torch.tensor([1, 2, 3])

# 检查 GPU 是否可用
if torch.cuda.is_available():
    # 将 Tensor 移动到 GPU
    tensor_gpu = tensor.to('cuda')  # 或者使用 tensor.cuda()
    print(tensor_gpu)

    # 将 Tensor 移回 CPU
    tensor_cpu = tensor_gpu.to('cpu')  # 或者使用 tensor_gpu.cpu()
    print(tensor_cpu)
else:
    print("GPU 不可用")

TensorFlow

import tensorflow as tf

# 创建一个 Tensor（默认在 CPU 上）
tensor = tf.constant([1, 2, 3])

# 将 Tensor 移动到 GPU
if tf.config.list_physical_devices('GPU'):
    with tf.device('GPU:0'):
        tensor_gpu = tf.identity(tensor)
        print(tensor_gpu)

# 将 Tensor 移回 CPU
with tf.device('CPU:0'):
    tensor_cpu = tf.identity(tensor_gpu)
    print(tensor_cpu)

4、Tensor 与 NumPy 数组的转换

PyTorch

import torch
import numpy as np

# 从 NumPy 数组创建 Tensor
array = np.array([1, 2, 3])
tensor = torch.from_numpy(array)
print(tensor)

# 从 Tensor 转换为 NumPy 数组
array_back = tensor.numpy()
print(array_back)

TensorFlow

import tensorflow as tf
import numpy as np

# 从 NumPy 数组创建 Tensor
array = np.array([1, 2, 3])
tensor = tf.convert_to_tensor(array)
print(tensor)

# 从 Tensor 转换为 NumPy 数组
array_back = tensor.numpy()
print(array_back)

5、Tensor与图像

5.1、图片转Tensor

import torch
from PIL import Image
from torchvision import transforms


def test001():
    imgpath = r"./105429.jpg"
    # 1. 读取图片
    img = Image.open(imgpath)

    # 使用transforms.ToTensor()将图片转换为张量
    transform = transforms.ToTensor()
    img_tensor = transform(img)
    print(img_tensor)


if __name__ == "__main__":
    test001()

5.2、Tensor转图片

import torch
from PIL import Image
from torchvision import transforms


def test002():
    # 1. 随机一个数据表示图片
    img_tensor = torch.randn(3, 224, 224)
    # 2. 创建一个transforms
    transform = transforms.ToPILImage()
    # 3. 转换为图片
    img = transform(img_tensor)
    img.show()
    # 4. 保存图片
    img.save("./test.jpg")


if __name__ == "__main__":
    test002()