9、深入理解PyTorch张量：从基础到实际应用

深入理解PyTorch张量：从基础到实际应用

1. 广义张量

张量本质上是多维数组，在大多数应用场景中，这一概念是通用的。不过，在PyTorch的底层实现里，数据的存储方式和张量API是相互独立的。只要某个实现满足了张量API的要求，就可以被视为张量。

1.1 张量与NumPy数组的转换

• 从张量到NumPy数组 ：可以使用 tensor.numpy() 方法将张量转换为NumPy数组。返回的数组与张量共享底层缓冲区，这意味着在CPU内存中执行该操作基本没有成本。而且，如果修改NumPy数组，原始张量也会相应改变。若张量位于GPU上，PyTorch会将张量内容复制到CPU上的NumPy数组中。示例代码如下：

import numpy as np
import torch

# 创建一个张量
tensor = torch.tensor([[1., 1., 1., 1.],
                       [1., 1., 1., 1.],
                       [1., 1., 1., 1.]], dtype=torch.float32)
# 转换为NumPy数组
numpy_array = tensor.numpy()

• 从NumPy数组到张量 ：使用 torch.from_numpy() 方法可以将NumPy数组转换为PyTorch张量，同样采用了