torch.tensor、numpy.array、list三者之间互相转换

torch.tensor、numpy.array、list三者之间互相转换

1.1 list 转 numpy

ndarray = np.array(list)

1.2 numpy 转 list

list = ndarray.tolist()

2.1 list 转 torch.Tensor

tensor=torch.Tensor(list)

2.2 torch.Tensor 转 list

先转numpy，后转list

list = tensor.numpy().tolist()

3.1 torch.Tensor 转 numpy

转换后共享内存
注意，转换后的 pytorch tensor 与 numpy array 指向同一地址，所以，对一方的值改变另一方也随之改变

最完全最常用的将 Tensor 转成 numpy array 的方法如下：
x.detach().to('cpu').numpy()
 
在最简单的情况下，当你在 CPU 上有一个没有梯度的 PyTorch 张量时，你可以简单地调用 .numpy() 方法
 
ndarray = tensor.numpy()
 
*gpu上的tensor不能直接转为numpy
如果 Tensor 位于 “cpu” 以外的设备上，则需要先将其带回 CPU，然后才能调用 .numpy() 方法。
ndarray = tensor.cpu().numpy()
 
 
如果张量是需要梯度的计算图的一部分（也就是说，如果 x.requires_grad=True），则需要调用 .detach() 方法：
x = torch.eye(3, requires_grad=True)
x.detach().numpy()
 

3.2 numpy 转 torch.Tensor

tensor = torch.from_numpy(ndarray)
转换时改变数据类型
tensor = torch.from_numpy(x).type(torch.float32)
 
转换时发送到不同的设备上，如 GPU
if torch.cuda.is_available():
    y = torch.from_numpy(x).to("cuda")
	
 
注意，当使用锁页内存（pytorch 中数据加载器的锁页内存 pinned memory）的方式加载数据时，数据放入 GPU 的时候，应该把 non_blocking=True，这样能够缩减访问时间，加快训练。
if torch.cuda.is_available():
    y = torch.from_numpy(x).to("cuda", non_blocking=True)