Numpy，Tensor，CPU，GPU对象之间的相互转换

1、导入需要的模块

import torch import numpy as np from torch.autograd import Variable

2、tensor间的转换

a = torch.ones(2,3) # 新建全为1的tensor print("a:",a) float_a = a.data.float() # 转为FloatTensor print("float_a:",float_a) int_a = a.type(torch.IntTensor) # 使用type()函数转为指定类型的tensor print("int_a:",int_a) # b为DoubleTensor b = torch.eye(2,3).data.double() print("b:",b) # 不知转换为什么类型时，可将其转换为已知某个数据的类型 a_ = a.type_as(b) print("a_类型：",a_.type()) print("a_:",a_) a: tensor([[ 1., 1., 1.], [ 1., 1., 1.]]) float_a: tensor([[ 1., 1., 1.], [ 1., 1., 1.]]) int_a: tensor([[ 1, 1, 1], [ 1, 1, 1]], dtype=torch.int32) b: tensor([[ 1., 0., 0.], [ 0., 1., 0.]], dtype=torch.float64) a_类型： torch.DoubleTensor a_: tensor([[ 1., 1., 1.], [ 1., 1., 1.]], dtype=torch.float64)

3、CPU <-> GPU

没有GPU，贫穷限制了我的操作

print("GPU可用数目：",torch.cuda.device_count()) # CPU张量->GPU var = torch.Tensor(2,3) if torch.cuda.is_available(): var = var.cuda() print("var:",var) # GPU张量->CPU # 直接从cuda中获取数据,会出错 #var = var.cuda().data.numpy() var = var.cuda().data.cpu().numpy() GPU可用数目： 0

4、tensor <-> numpy

# tensor和numpy对象共享内存，之间转换很快 # numpy->tensor a = np.ones((2,3)) a_tensor = torch.from_numpy(a) print("a:",a) print("a_tensor:",a_tensor) # tensor->numpy b = a_tensor.numpy() print("b:",b) a: [[1. 1. 1.] [1. 1. 1.]] a_tensor: tensor([[ 1., 1., 1.], [ 1., 1., 1.]], dtype=torch.float64) b: [[1. 1. 1.] [1. 1. 1.]]

5、Variable

# Variable简单封装了tensor,并支持几乎所有Tensor var_tensor = Variable(torch.Tensor(2,3)) print("var_tensor:",var_tensor) # Variable<->numpy之间的转换 var_numpy = var_tensor.data.numpy() var_to_tensor = Variable(torch.from_numpy(var_numpy)) print("var_numpy:",var_numpy) print("var_to_tensor:",var_to_tensor) var_tensor: tensor(1.00000e-39 * [[ 0.0000, 0.0000, 0.0000], [ 0.0000, 9.4592, 0.0000]]) var_numpy: [[4.203895e-45 0.000000e+00 1.401298e-45] [0.000000e+00 9.459202e-39 0.000000e+00]] var_to_tensor: tensor(1.00000e-39 * [[ 0.0000, 0.0000, 0.0000], [ 0.0000, 9.4592, 0.0000]])

由于作者水平有限，因此不能保证文中内容准确无误，如有错误，请在下方留言，欢迎指出，谢谢！