Tensory współpracują z NumPy
Konwertować tensory torch na tablice NumPy i odwrotnie
Tensory współpracują z NumPy to bezpłatna lekcja Deep Learning Academy na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Deep Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Dwa światy, jeden most
Wiele danych zaczyna jako tablica NumPy. PyTorch ułatwia przechodzenie między tablicami a tensorami w obu kierunkach.
Tablice NumPy przypominają tensory
Tablica NumPy również przechowuje liczby w określonym kształcie, ale nie obsługuje GPU ani autograd. Tensory zapewniają te dodatkowe możliwości.
import numpy as np
a = np.array([1, 2, 3])
print(a.shape) # (3,)Z NumPy za pomocą from_numpy
Zamień tablicę na tensor za pomocą torch.from_numpy. To standardowy sposób wczytywania istniejących danych NumPy.
a = np.array([1, 2, 3])
t = torch.from_numpy(a)
print(t) # tensor([1, 2, 3])Z powrotem do NumPy za pomocą .numpy
W drugą stronę przechodzi się, wywołując .numpy na tensorze. Przydaje się to podczas tworzenia wykresów lub przekazywania danych do innych bibliotek.
t = torch.tensor([1, 2, 3])
a = t.numpy()
print(type(a)) # numpy.ndarrayWspółdzielą tę samą pamięć
Domyślnie tablica i tensor współdzielą jeden blok pamięci. Zmiana jednego po cichu zmienia również drugi.
a = np.array([1, 2, 3])
t = torch.from_numpy(a)
a[0] = 99
print(t[0]) # tensor(99)Skopiuj, aby zerwać połączenie
Potrzebuje Pan(i) niezależnych danych? Wywołaj .clone na tensorze, aby zmiany nie wpływały na oryginalną tablicę.
a = np.array([1, 2, 3])
t = torch.from_numpy(a).clone()
a[0] = 99
print(t[0]) # tensor(1)Dtype'y są zachowywane
dtype podąża za danymi przez most. Tablica float64 staje się tensorem float64, chyba że zostanie przekonwertowana.
a = np.array([1.0, 2.0])
t = torch.from_numpy(a)
print(t.dtype) # torch.float64Uwaga na pułapkę Float64
NumPy domyślnie używa float64, ale modele wymagają float32. Po konwersji wykonaj rzutowanie, aby uniknąć błędów związanych z niezgodnym dtype.
a = np.array([1.0, 2.0])
t = torch.from_numpy(a).float()
print(t.dtype) # torch.float32Tensory GPU muszą wrócić do domu
Nie można bezpośrednio wywołać .numpy na tensorze GPU. Najpierw przenieś go z powrotem za pomocą .cpu(), a dopiero potem dokonaj konwersji.
t = torch.tensor([1, 2, 3])
a = t.cpu().numpy()
print(a) # [1 2 3]Odłącz przed konwersją gradientów
Jeśli tensor śledzi gradienty, przed .numpy wywołaj .detach, aby pobrać wartości bez grafu autograd.
t = torch.tensor([1.0], requires_grad=True)
a = t.detach().numpy()
print(a) # [1.]Przepis na czystą konwersję
Bezpieczny schemat dla dowolnego tensora to: detach, następnie cpu, a potem numpy. Działa niezależnie od tego, czy dotyczą go gradienty lub GPU.
t = torch.tensor([1.0, 2.0])
a = t.detach().cpu().numpy()
print(a) # [1. 2.]Szybkie sprawdzenie
Jedno pytanie o zależność między tablicą a tensorem.
Podsumowanie: Tensory rozmawiają z NumPy
Można konwertować w obu kierunkach za pomocą from_numpy i .numpy, uważać na pułapkę współdzielonej pamięci oraz używać schematu detach-cpu-numpy do bezpiecznego eksportu. 🌉
Często zadawane pytania
Czy lekcja „Tensory współpracują z NumPy” jest bezpłatna?
Tak — pełny tekst „Tensory współpracują z NumPy” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Deep Learning Academy, przejdź na CoddyKit PRO. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Tensory współpracują z NumPy”?
Konwertować tensory torch na tablice NumPy i odwrotnie Ćwiczysz Deep Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Deep Learning Academy?
Nie wymagamy żadnego doświadczenia. Deep Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.
Ile czasu zajmuje lekcja „Tensory współpracują z NumPy”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Deep Learning Academy?
Tak. Każda lekcja Deep Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Kształty, dtype i indeksowanie
- Reshape, view, squeeze i unsqueeze
- Reguły broadcastingu, które oszczędzają pętle
- Tensory współpracują z NumPy