【PyTorch实战：Tensor】4、NumPy与PyTorch Tensor指南：深度学习中的数据操作与转换
一、NumPy与PyTorch的紧密关系
1.1 为什么需要同时掌握NumPy和PyTorch？
在深度学习领域，NumPy和PyTorch是两个不可或缺的工具，它们之间存在着天然的协作关系：
- NumPy：是Python科学计算的基石，提供了强大的多维数组操作能力，适合数据预处理、分析和可视化
- PyTorch：构建在NumPy理念之上，增加了GPU加速和自动求导功能，适合模型训练和推理
1.2 核心概念对应关系
| NumPy概念 | PyTorch对应概念 | 关键区别 |
|---|---|---|
ndarray | Tensor | Tensor支持GPU和自动求导 |
np.array() | torch.tensor() | 创建方式类似 |
shape | shape | 相同属性 |
dtype | dtype | 数据类型系统相似 |
| 广播机制 | 广播机制 | 规则完全相同 |
np.dot() | torch.mm()或@ | 矩阵乘法 |
二、NumPy在深度学习中的关键应用
2.1 图像处理与数据加载
深度学习项目通常始于数据加载和预处理，NumPy在这里发挥着重要作用：
import numpy as np
from PIL import Image
import cv2# 使用Pillow读取图像（RGB通道顺序）
def load_image_pillow(path):im = Image.open(path)im_array = np.array(im) # 转换为NumPy数组print(f"图像形状: {im_array.shape}, 数据类型: {im_array.dtype}")return im_array# 使用OpenCV读取图像（BGR通道顺序）
def load_image_opencv(path):im_array = cv2.imread(path) # 直接得到NumPy数组im_array = cv2.cvtColor(im_array, cv2.COLOR_BGR2RGB) # 转换为RGBprint(f"图像形状: {im_array.shape}, 数据类型: {im_array.dtype}")return im_array# 图像归一化处理
def normalize_image(image):# 转换为float32并缩放到[0,1]范围normalized = image.astype(np.float32) / 255.0# 或者缩放到[-1,1]范围# normalized = (image.astype(np.float32) / 127.5) - 1.0return normalized
2.2 数组操作与广播机制
广播机制是NumPy和PyTorch中最强大的特性之一，它允许不同形状的数组进行数学运算：
# 广播机制示例
def demonstrate_broadcasting():# 示例1: 向量 + 标量vector = np.array([1, 2,