本文主要是介绍深度学习-Pytorch同时使用Numpy和Tensors各自特效，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
深度学习-Pytorch同时使用Numpy和Tensors各自特效
用pytorch构建模型，并训练模型，得到一个优化的模型，那么模型构造的数据类型怎样的？
数据分析
数据分析-Pandas如何转换产生新列
数据分析-Pandas如何统计数据概况
数据分析-Pandas如何轻松处理时间序列数据
数据分析-Pandas如何选择数据子集
数据分析-Pandas如何重塑数据表-CSDN博客
经典算法
经典算法-遗传算法的python实现
经典算法-模拟退火算法的python实现
经典算法-粒子群算法的python实现-CSDN博客
pytorch中常常遇到的，最基本的数据类型就是tensors。
NumPy 和Tensors的鱼和熊掌兼得
Pytroch的基本变量是Tensors，但有时候喜欢，或者需要用Numpy变量来处理数据的时候，如果数据转过来转过去很麻烦，也很费事。其实torch在底层架构设计已经有了解决方案，让数据一致，但数据类型有各自的呈现方式。
CPU 和 NumPy 阵列上的Tensors可以共享其底层内存位置，改变一个的数据将改变另一个数据。
这样，如果熟悉Numpy的操作函数，直接使用就行，似乎鱼和熊掌可兼得。
Tensors到 NumPy 数组
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
Tensors的变化反映在 NumPy 数组中。
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
NumPy 数组到 Tensor
n = np.ones(5)
t = torch.from_numpy(n)
NumPy 数组中的更改反映在Tensors中。
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]
觉得有用 收藏 收藏 收藏
点个赞 点个赞 点个赞
End
GPT专栏文章：
GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案
GPT实战系列-LangChain + ChatGLM3构建天气查询助手
大模型查询工具助手之股票免费查询接口
GPT实战系列-简单聊聊LangChain
GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手
GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)
GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)
GPT实战系列-ChatGLM2模型的微调训练参数解读
GPT实战系列-如何用自己数据微调ChatGLM2模型训练
GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案
GPT实战系列-Baichuan2本地化部署实战方案
GPT实战系列-Baichuan2等大模型的计算精度与量化
GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF
GPT实战系列-探究GPT等大模型的文本生成-CSDN博客
这篇关于深度学习-Pytorch同时使用Numpy和Tensors各自特效的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
