Tensoren sprechen mit NumPy
Konvertieren Sie zwischen torch-Tensoren und NumPy-Arrays.
Tensoren sprechen mit NumPy ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Zwei Welten, eine Brücke
Viele Daten beginnen ihr Leben als NumPy-Array. PyTorch ermöglicht den einfachen Wechsel zwischen Arrays und Tensoren in beide Richtungen.
NumPy-Arrays ähneln Tensoren
Auch ein NumPy-Array speichert Zahlen in einer Shape, allerdings ohne GPU-Unterstützung oder Autograd. Tensoren bieten diese zusätzlichen Möglichkeiten.
import numpy as np
a = np.array([1, 2, 3])
print(a.shape) # (3,)Von NumPy mit from_numpy
Wandeln Sie ein Array mit torch.from_numpy in einen Tensor um. Das ist der übliche Einstiegspunkt für vorhandene NumPy-Daten.
a = np.array([1, 2, 3])
t = torch.from_numpy(a)
print(t) # tensor([1, 2, 3])Mit .numpy zurück zu NumPy
Für den umgekehrten Weg rufen Sie .numpy auf einem Tensor auf. Das eignet sich hervorragend zum Erstellen von Diagrammen oder zur Übergabe von Daten an andere Bibliotheken.
t = torch.tensor([1, 2, 3])
a = t.numpy()
print(type(a)) # numpy.ndarraySie verwenden denselben Speicher
Standardmäßig teilen sich Array und Tensor einen Speicherblock. Wenn Sie eines ändern, ändert sich unbemerkt auch das andere.
a = np.array([1, 2, 3])
t = torch.from_numpy(a)
a[0] = 99
print(t[0]) # tensor(99)Kopieren, um die Verbindung zu lösen
Sie benötigen unabhängige Daten? Rufen Sie .clone für den Tensor auf, damit Änderungen vom ursprünglichen Array getrennt bleiben.
a = np.array([1, 2, 3])
t = torch.from_numpy(a).clone()
a[0] = 99
print(t[0]) # tensor(1)Dtypes werden übernommen
Der dtype wird zusammen mit den Daten über die Brücke übernommen. Ein float64-Array wird zu einem float64-Tensor, sofern Sie es nicht umwandeln.
a = np.array([1.0, 2.0])
t = torch.from_numpy(a)
print(t.dtype) # torch.float64Vorsicht vor der Float64-Falle
NumPy verwendet standardmäßig float64, Modelle benötigen jedoch float32. Wandeln Sie den Typ nach der Konvertierung um, um Fehler durch nicht übereinstimmende Dtypes zu vermeiden.
a = np.array([1.0, 2.0])
t = torch.from_numpy(a).float()
print(t.dtype) # torch.float32GPU-Tensoren benötigen einen Rückweg
Sie können .numpy nicht direkt für einen GPU-Tensor aufrufen. Verschieben Sie ihn zuerst mit .cpu() zurück und konvertieren Sie ihn anschließend.
t = torch.tensor([1, 2, 3])
a = t.cpu().numpy()
print(a) # [1 2 3]Vor der Konvertierung von Gradienten trennen
Wenn ein Tensor Gradienten verfolgt, rufen Sie vor .numpy .detach auf. So erhalten Sie die Werte ohne den Autograd-Graphen.
t = torch.tensor([1.0], requires_grad=True)
a = t.detach().numpy()
print(a) # [1.]Ein sauberes Konvertierungsrezept
Das sichere Muster für jeden Tensor lautet: zuerst detach, dann cpu und anschließend numpy. Es funktioniert unabhängig davon, ob Gradienten oder GPUs beteiligt sind.
t = torch.tensor([1.0, 2.0])
a = t.detach().cpu().numpy()
print(a) # [1. 2.]Schnelltest
Eine Frage zur Verbindung zwischen Array und Tensor.
Zusammenfassung: Tensoren sprechen mit NumPy
Sie können mit from_numpy und .numpy in beide Richtungen konvertieren, die Falle des gemeinsamen Speichers beachten und detach-cpu-numpy für einen sicheren Export verwenden. 🌉
Häufig gestellte Fragen
Ist die Lektion „Tensoren sprechen mit NumPy“ kostenlos?
Ja — der vollständige Text von „Tensoren sprechen mit NumPy“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Tensoren sprechen mit NumPy“?
Konvertieren Sie zwischen torch-Tensoren und NumPy-Arrays. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Tensoren sprechen mit NumPy“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Shapes, Dtypes und Indexierung
- Reshape, View, Squeeze und Unsqueeze
- Broadcasting-Regeln, die Schleifen sparen
- Tensoren sprechen mit NumPy