详细区分.numpy()、.item()、.cpu()、.clone()、.detach()和.data的用法&& tensor类型的转换

.numpy()、.item()、.cpu()、.clone()、.detach()及.data的使用

本文主要介绍 .numpy()、.item()、.cpu()、.clone()、.detach()及.data这些常用的类型转换的函数或者方法的区分，以及在实际训练中遇到的实际问题。

.item()

• item() 将一个Tensor变量转换为python标量（int float等单个的数值，但是不能是数组）常用于用于深度学习训练时，将loss值转换为标量并加，以及进行分类任务，计算准确值值时需要（如例一）。 item()是可以直接从gpu上转换为标量，看下面例一的loss.item() && 例二 运行结果。

# 例一  在gpu上运行 计算loss值和acc值
optimizer.zero_grad()
outputs = model(data)
loss = F.cross_entropy(outputs, label)
acc = (outputs.argmax(dim=1) == label).sum().cpu().item() / len(labels)     #这里也用到了.item()，可以先转换到cpu
loss.backward()
optimizer.step()
train_loss += loss.item()   #这里用到了.item()，也可以直接item()
train_acc += acc
# 例二
a = torch.tensor([5],requires_grad=True,dtype=torch.float64,device='cuda')
print(a)
b = a.item()
print(b)
#输出： 
# tensor([5.], device='cuda:0', dtype=torch.float64, requires_grad=True)  
# 5.0

.cpu()

• .cpu() 将数据的处理设备从其他设备（如.cuda()拿到cpu上），不会改变变量类型，转换后仍然是Tensor变量。 为什么需要这一步？ 因为gpu上的数组不能直接进行转换类型的操作。

a = torch.tensor([[1,2,3],[4,5,6]],requires_grad=True,dtype=torch.float64).cuda()
# 正确做法
b = a.cpu().detach().numpy()
b    
输出： array([[1., 2., 3.],
             [4., 5., 6.]])

.numpy()

• numpy() Tensor.numpy()将Tensor转化为ndarray，这里的Tensor可以是标量（即item()的作用）或者 向量（与item()不同，一般是矩阵），转换前后的dtype不会改变，但是要注意能直接numpy()的tensor的前提是没有梯度·（requires_grad=False）的。若有梯度（比如requires_grad=True，或者在神经网络的前向传播过程中），则需要 先.detach()再进行numpy()。 在后面还会讲解.detach()作用。

• eg：

a = torch.tensor([[1.,2.]])
a_numpy = a.numpy() #[[1., 2.]]
a = torch.tensor(1.5)
a_numpy = a.numpy() #1.5

.clone()

• .clone()函数可以返回一个完全相同的tensor,新的tensor开辟新的内存，但是仍然留在计算图中。**所以它复制完会保留原来的梯度，原来有梯度那么clone完也是有梯度的。**而 没有梯度 又可以直接用.numpy()转换为数组，用.clone()也不行，这个暂时感觉用的很少。

• 下列是有梯度不能用numpy() 的一个错误案例。在前向传播过程中.clone()依旧有梯度，所以不可numpy()
  

.detach()

• .detach（） 函数可以返回一个完全相同的tensor,新的tensor开辟与旧的tensor共享内存，新的tensor会脱离计算图，不会牵扯梯度计算。也就是requires_grad=False, 因此可以 接着进行numpy() 的操作，解决了numpy()需要建立在无梯度的tensor的基础上的问题。

举例：前向传播过程中，如果在传播过程中用.detach()生成了新的变量，然后用这个新的变量继续往下传播，这样会导致梯度反向传播到这里就不能继续，前面的参数也不会发生改变了。

# enc_outputs ： 前向传播产生的变量
# enc_outputs1 ： 过程中自己生成的变量
for i in enc_outputs:
    a = i[0].cpu().detach().numpy()
    enc_outputs1.append(a)
return torch.tensor(enc_outputs1).to(device), enc_self_attns
# 进行训练的时候enc_outputs1脱离了计算，不进行反向传播了

• .detach()就是返回一个新的tensor，并且这个tensor是从当前的计算图中分离出来的。但是返回的tensor和原来的tensor是共享内存空间的。当model不希望更新某部分的参数的时候，就可以用.detach()一下，如下例子:

如果A网络的输出被喂给B网络作为输入， 如果我们希望在梯度反传的时候只更新B中参数的值，而不更新A中的参数值，这时候就可以使用.detach()

a = A(input)
a = a.deatch() # 或者a.detach_()进行in_place操作
out = B(a)
loss = criterion(out, labels)
loss.backward()

.data

• .data — tensor .data 返回和 x 的相同数据 tensor,而且这个新的tensor和原来的tensor是共用数据的，一者改变，另一者也会跟着改变，而且新分离得到的tensor的require s_grad = False, 即不可求导的。（这一点其实detach是一样的）

a = torch.tensor([1.0], requires_grad=True)
b = a.data
print(b, b.requires_grad)
## 输出为： tensor([1.]) False

.data和.detach()不同点

• .data 是一个属性，二.detach()是一个方法；
• .data 是不安全的此篇文章解析.data为何是不安全的，.detach()是安全的。

参考博客

pytorch中.numpy()、.item()、.cpu()、.detach()及.data的使用

ValueError:only one element tensors can be converted to Python scalars解决办法

torch.Tensor

Tensor类型的转换：

torch.Tensor

• CPU和GPU的Tensor之间转换 : 多用于将数据从gpu()转到cpu()，因为gpu上的数据不能直接操作

  • data.cuda()：cpu –> gpu
  • data.cpu()：gpu –> cpu

• Tensor与Numpy Array之间的转换

  • data.numpy()：Tensor –> Numpy.ndarray

    • 但是要注意此时需要转换的data是否有梯度
    • data有梯度时候,如果直接numpy(),会报错,正确做法是先.detach()

    a = torch.tensor([[1,2,3],[4,5,6]],requires_grad=True,dtype=torch.float64)
    b = a.numpy()
    print(b)
    # RuntimeError: Can't call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead.
    
    # 正确做法
    b = a.detach().numpy()
    b    
    输出： array([[1., 2., 3.],
                 [4., 5., 6.]])
    

    • data没有梯度的时候，可以直接numpy()

    a = torch.tensor([[1,2,3],[4,5,6]],dtype=torch.float64)
    b = a.numpy()
    print(b)
    # array([[1., 2., 3.],[4., 5., 6.]])
    

    • 若data在gpu上，需要先将数据移动到cpu上，具体操作如下：

    a = torch.tensor([[1,2,3],[4,5,6]],requires_grad=True,dtype=torch.float64).cuda()
    # 正确做法
    b = a.cpu().detach().numpy()
    b    
    输出： array([[1., 2., 3.],
                 [4., 5., 6.]])
    

  • torch.from_numpy(data)：Numpy.ndarray –> Tensor

    • Numpy桥，将numpy.ndarray 转换为pytorch的 Tensor。 返回的张量tensor和numpy的ndarray共享同一内存空间。修改一个会导致另外一个也被修改。返回的张量不能改变大小。

    a = np.array([1, 2, 3])
    t = torch.from_numpy(a)
    t
    # torch.LongTensor([1, 2, 3])
    t[0] = -1
    a
    # array([-1,  2,  3]
    

• Tensor的基本类型转换

  • tensor.long()：
  • tensor.half()：将tensor投射为半精度浮点(16位浮点)类型
  • tensor.int()：
  • tensor.double()：
  • tensor.float()：
  • tensor.char()：
  • tensor.byte()：
  • tensor.short()：

• Tensor的基本数据类型转换

  • type(dtype=None, non_blocking=False, **kwargs)：指定类型改变。例如data = data.type(torch.float32)
  • type_as(tensor)：按照给定的tensor的类型转换类型。