9、PyTorch张量：从基础到实战

PyTorch张量：从基础到实战

1. 广义张量与数据交互

广义张量本质上也是张量，在实际应用中，我们常常需要在NumPy数组和PyTorch张量之间进行转换。

1.1 NumPy数组与PyTorch张量的转换

当我们将一个张量转换为NumPy数组时，会返回一个具有正确大小、形状和数值类型的NumPy多维数组。有趣的是，返回的数组与张量存储共享相同的底层缓冲区。这意味着只要数据位于CPU内存中， numpy 方法基本上可以零成本执行。而且，修改NumPy数组会导致原始张量发生变化。如果张量分配在GPU上，PyTorch会将张量的内容复制到CPU上分配的NumPy数组中。示例代码如下：

import numpy as np
import torch

# 假设points是一个PyTorch张量
points = torch.tensor([[1., 1., 1., 1.],
                       [1., 1., 1., 1.],
                       [1., 1., 1., 1.]], dtype=torch.float32)
points_np = points.numpy()

反之，我们可以通过以下方式从NumPy数组获得PyTorch张量：

points = torch.from_numpy(points_np)

需要注意的是，PyTorch的默认数值类