### PyTorch与NumPy的等价操作及相互转换 #### 一、基本概念对比 PyTorch中的`Tensor`和NumPy中的`ndarray`在很多方面具有相似的功能。两者都支持多维数组的操作，并提供了丰富的数学运算接口。 - **数据类型** - 在创建张量或数组时，可以指定其数据类型。例如，在PyTorch中可以通过设置`dtype=torch.float32`来定义浮点数类型的张量；而在NumPy里，则通过`.astype(np.float32)`改变现有数组的数据类型[^2]。 - **形状变换** - 对于维度扩展或者重复元素而言，二者也存在对应的方法。比如利用`np.repeat()`实现沿特定轴方向上的元素复制，这类似于PyTorch里的`repeat()`函数用于调整张量大小。 #### 二、算术运算与索引切片 两者的算术运算符重载机制使得可以直接使用加减乘除等符号来进行相应的数值计算。同时，在按列/行获取子集等方面也有着高度一致的表现形式： ```python import torch import numpy as np # 创建随机张量和数组 x_torch = torch.rand(5, 3) y_torch = torch.rand_like(x_torch) print("PyTorch 加法:", x_torch + y_torch) x_np = np.random.randn(5, 3).astype('float32') y_np = np.ones(shape=(5, 3)).astype('float32') print("\nNumPy 加法:\n", x_np + y_np) # 列选取 col_index = slice(None), 1 # 表示取所有行第2列（Python索引起始于0） print(f"\nPyTorch 取第二列:{x_torch[col_index]}") print(f"NumPy 取第二列:\n{x_np[col_index]}") ``` 上述代码展示了如何分别用两种库完成简单的矩阵相加以及提取某一列元素的任务[^3]。 #### 三、自动微分特性差异 值得注意的是，虽然它们之间有很多共通之处，但是PyTorch额外具备强大的自动求导能力。这意味着只要设置了`requires_grad=True`属性标记某个变量参与反向传播过程，那么后续基于该对象构建出来的表达式就能自动生成对应的梯度信息并存储到`.grad`成员变量当中[^1]。 然而，由于NumPy本身不具备类似的内置功能，所以在涉及到需要追踪历史记录以便回溯计算偏导数的应用场景下就需要借助外部工具包如Autograd或者其他框架的支持了。 #### 四、互相转化方式 为了方便跨平台开发或是充分利用各自的优势模块组合编程，官方还提供了一套简便易懂的方式用来实现在这两种结构间无缝切换： - 将NumPy数组转化为PyTorch张量： ```python a_np = np.array([1., 2., 3.]) a_tensor = torch.from_numpy(a_np) # 不共享内存空间版本 b_np_shared_mem = np.arange(6.).reshape((2, 3)) b_tensor_shared_mem = torch.as_tensor(b_np_shared_mem) # 共享同一块内存区域 ``` - 把PyTorch张量变成NumPy数组： ```python c_tensor = torch.zeros(4,) c_np = c_tensor.numpy() ``` 以上就是关于PyTorch同NumPy之间的主要联系及其互转技巧介绍。