使用torch.from_numpy將NumPy數組轉為PyTorch張量

一、介紹

PyTorch是近年來備受矚目的深度學習框架，由於其靈活性和易用性，在學術界和工業界都得到了廣泛的應用。而NumPy是Python中用於科學計算的基礎包，主要用於數組處理。將NumPy數組轉換為PyTorch張量非常常見，尤其是在進行圖像處理和機器學習任務時，需要頻繁地進行這個操作。這時候，使用PyTorch提供的函數torch.from_numpy可以快速地完成這個轉換。下面我們就來具體探討一下這個函數的用法和注意事項。

二、torch.from_numpy的用法

torch.from_numpy是PyTorch中用於將NumPy數組轉換為張量的函數，語法非常簡單：

import torch
import numpy as np
 
np_array = np.ones((3, 3))
tensor = torch.from_numpy(np_array)

該例子中，我們首先利用NumPy創建了一個3×3的全1矩陣np_array，然後通過torch.from_numpy函數將其轉換成了PyTorch張量。轉換後的結果tensor的類型是torch.DoubleTensor，數值與np_array完全一致。

需要注意的是，torch.from_numpy是不會複製數據的。這意味著，如果你的NumPy數組np_array發生了變化，那麼由它轉換而來的PyTorch張量tensor也會相應地發生變化。如果你希望得到一份數據的副本，可以使用tensor.clone()，這樣就可以避免因為原始數據變化導致的問題。

三、數據類型的轉換

NumPy和PyTorch的數據類型並不總是一一對應的，所以在將NumPy數組轉換為PyTorch張量時，需要進行類型的轉換。PyTorch支持的數據類型較多，包括浮點數、整數、布爾值等等。以下是兩個數據類型的對應關係：

• NumPy類型：np.float32，PyTorch類型：torch.FloatTensor
• NumPy類型：np.int32，PyTorch類型：torch.LongTensor
• NumPy類型：np.bool，PyTorch類型：torch.BoolTensor
• NumPy類型：np.uint8，PyTorch類型：torch.ByteTensor
• ……

需要注意的是，在類型轉換時可能會發生精度損失，所以要根據具體的情況選擇合適的類型。

四、梯度追蹤與非梯度追蹤張量的轉換

在PyTorch中，張量可以分為需要梯度追蹤的張量和不需要梯度追蹤的張量，它們分別是torch.Tensor類型和torch.autograd.Variable類型。我們可以通過torch.Tensor.detach()將梯度追蹤張量轉換為非梯度追蹤張量。在將NumPy數組轉換為張量時，有時候我們需要將其轉換為不需要梯度追蹤的張量，可以使用torch.tensor代替torch.from_numpy來實現這個功能。以下是一個例子：

import torch
import numpy as np
 
np_array = np.ones((3, 3))
tensor = torch.tensor(np_array)
non_grad_tensor = tensor.detach()

在該例子中，我們首先利用NumPy創建了一個3×3的全1矩陣np_array，然後通過torch.tensor函數將其轉換成了PyTorch張量tensor。接著，我們用detach()方法將其轉換為非梯度追蹤張量non_grad_tensor。

五、結語

使用torch.from_numpy將NumPy數組轉為PyTorch張量是一個非常常見的操作。本文介紹了torch.from_numpy的用法、數據類型的轉換以及梯度追蹤與非梯度追蹤張量的轉換等幾個方面，希望這些內容對讀者能有所幫助。