เทนเซอร์สื่อสารกับ NumPy
แปลงระหว่างเทนเซอร์ของ torch กับอาร์เรย์ของ NumPy
เทนเซอร์สื่อสารกับ NumPy เป็นบทเรียน Deep Learning Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Deep Learning Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Deep Learning Academy มีบทเรียนทั้งหมด 4 บทเรียน
สองโลก สะพานเดียว
ข้อมูลจำนวนมากเริ่มต้นเป็นอาร์เรย์ของ NumPy PyTorch ช่วยให้เปลี่ยนไปมาระหว่างอาร์เรย์และเทนเซอร์ได้ง่ายทั้งสองทิศทาง
อาร์เรย์ NumPy คล้าย Tensors
array ของ NumPy ก็เก็บตัวเลขตาม shape เช่นกัน เพียงแต่ไม่มีการรองรับ GPU หรือ autograd ส่วนเทนเซอร์มีความสามารถเหล่านั้นเพิ่มเข้ามา
import numpy as np
a = np.array([1, 2, 3])
print(a.shape) # (3,)จาก NumPy ด้วย from_numpy
เปลี่ยนอาร์เรย์เป็นเทนเซอร์ด้วย torch.from_numpy นี่คือจุดเริ่มต้นมาตรฐานสำหรับข้อมูล NumPy ที่มีอยู่แล้ว
a = np.array([1, 2, 3])
t = torch.from_numpy(a)
print(t) # tensor([1, 2, 3])กลับไป NumPy ด้วย .numpy
หากต้องการย้อนกลับ ให้เรียกใช้ .numpy กับเทนเซอร์ เหมาะสำหรับการสร้างกราฟหรือส่งข้อมูลให้ไลบรารีอื่น
t = torch.tensor([1, 2, 3])
a = t.numpy()
print(type(a)) # numpy.ndarrayใช้หน่วยความจำเดียวกัน
โดยค่าเริ่มต้น อาร์เรย์และเทนเซอร์จะ ใช้บล็อกหน่วยความจำเดียวกัน การเปลี่ยนแปลงอย่างหนึ่งจึงเปลี่ยนอีกอย่างตามไปด้วยโดยไม่แจ้งให้ทราบ
a = np.array([1, 2, 3])
t = torch.from_numpy(a)
a[0] = 99
print(t[0]) # tensor(99)คัดลอกเพื่อตัดการเชื่อมโยง
ต้องการข้อมูลที่เป็นอิสระต่อกันใช่ไหม เรียกใช้ .clone กับเทนเซอร์ เพื่อให้การแก้ไขแยกจากอาร์เรย์ต้นฉบับ
a = np.array([1, 2, 3])
t = torch.from_numpy(a).clone()
a[0] = 99
print(t[0]) # tensor(1)Dtypes ถูกส่งต่อไปด้วย
ชนิดข้อมูลจะติดตามข้อมูลข้ามสะพานไปด้วย อาร์เรย์ float64 จะกลายเป็นเทนเซอร์ float64 เว้นแต่คุณจะแปลงชนิดข้อมูล
a = np.array([1.0, 2.0])
t = torch.from_numpy(a)
print(t.dtype) # torch.float64ระวังกับดัก Float64
NumPy มีค่าเริ่มต้นเป็น float64 แต่โมเดลต้องการ float32 ให้แปลงชนิดข้อมูลหลังการแปลงรูปแบบ เพื่อหลีกเลี่ยงข้อผิดพลาดจากชนิดข้อมูลไม่ตรงกัน
a = np.array([1.0, 2.0])
t = torch.from_numpy(a).float()
print(t.dtype) # torch.float32เทนเซอร์ GPU ต้องเดินทางกลับ
คุณไม่สามารถเรียก .numpy กับเทนเซอร์ GPU ได้โดยตรง ให้ย้ายกลับมาก่อนด้วย .cpu() แล้วจึงแปลง
t = torch.tensor([1, 2, 3])
a = t.cpu().numpy()
print(a) # [1 2 3]ตัดการไล่ระดับก่อนแปลง
หากเทนเซอร์กำลังติดตามการไล่ระดับ ให้เรียก .detach ก่อน .numpy เพื่อดึงเฉพาะค่าโดยไม่เอากราฟ autograd มาด้วย
t = torch.tensor([1.0], requires_grad=True)
a = t.detach().numpy()
print(a) # [1.]สูตรการแปลงที่ปลอดภัย
รูปแบบที่ปลอดภัยสำหรับเทนเซอร์ทุกชนิดคือ detach จากนั้น cpu แล้วจึง numpy วิธีนี้ใช้ได้ไม่ว่าจะมีการไล่ระดับหรือ GPU เกี่ยวข้องหรือไม่
t = torch.tensor([1.0, 2.0])
a = t.detach().cpu().numpy()
print(a) # [1. 2.]ตรวจสอบอย่างรวดเร็ว
คำถามหนึ่งข้อเกี่ยวกับความเชื่อมโยงระหว่างอาร์เรย์กับเทนเซอร์
สรุป: เทนเซอร์สื่อสารกับ NumPy
คุณเชื่อมต่อได้ทั้งสองทิศทางด้วย from_numpy และ .numpy ระวังกับดักหน่วยความจำที่ใช้ร่วมกัน และใช้ detach-cpu-numpy เพื่อส่งออกข้อมูลอย่างปลอดภัย 🌉
เรียนรู้ Python ด้วย AI tutor — ฟรี
เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป
- คอร์ส
- 30
- บทเรียน
- 120
คำถามที่พบบ่อย
บทเรียน “เทนเซอร์สื่อสารกับ NumPy” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “เทนเซอร์สื่อสารกับ NumPy” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Deep Learning Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Deep Learning Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “เทนเซอร์สื่อสารกับ NumPy”
แปลงระหว่างเทนเซอร์ของ torch กับอาร์เรย์ของ NumPy คุณปฏิบัติ Deep Learning Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Deep Learning Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Deep Learning Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน
บทเรียน “เทนเซอร์สื่อสารกับ NumPy” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Deep Learning Academy นี้ได้ไหม
ได้ บทเรียน Deep Learning Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- รูปร่าง ชนิดข้อมูล และการทำดัชนี
- เปลี่ยนรูปร่าง มุมมอง ลดมิติ และเพิ่มมิติ
- กฎการกระจายมิติที่ช่วยลดการวนซ้ำ
- เทนเซอร์สื่อสารกับ NumPy