tensor转numpy，numpy转tensor

在PyTorch中，Tensor与NumPy数组的相互转换是常用操作，以下是具体方法和注意事项：

1. Tensor 转 NumPy 数组

使用 Tensor 的 .numpy() 方法，适用于 CPU 上的 Tensor。

示例：

import torch
import numpy as np# 创建CPU上的Tensor
cpu_tensor = torch.tensor([1, 2, 3, 4])
# 转换为NumPy数组
numpy_array = cpu_tensor.numpy()print(type(numpy_array))  # <class 'numpy.ndarray'>
print(numpy_array)        # [1 2 3 4]

注意事项：

• 共享内存：CPU Tensor 与转换后的 NumPy 数组共享内存，修改其中一个会影响另一个：

  cpu_tensor[0] = 100
  print(numpy_array)  # [100 2 3 4]（被同步修改）
  

• GPU Tensor 需先移至 CPU：若 Tensor 在 GPU 上，需先用 .cpu() 转移到 CPU 再转换：

  gpu_tensor = torch.tensor([1, 2, 3]).cuda()  # GPU上的Tensor
  numpy_array = gpu_tensor.cpu().numpy()       # 先转CPU再转NumPy
  

• 带梯度的 Tensor：若 Tensor 开启了梯度跟踪（requires_grad=True），需先用 .detach() 剥离梯度：

  grad_tensor = torch.tensor([1, 2, 3], requires_grad=True)
  numpy_array = grad_tensor.detach().numpy()  # 剥离梯度后转换
  

2. NumPy 数组 转 Tensor

使用 torch.from_numpy() 方法，转换后的数据默认在 CPU 上。

示例：

import numpy as np
import torch# 创建NumPy数组
numpy_array = np.array([1, 2, 3, 4])
# 转换为Tensor
tensor = torch.from_numpy(numpy_array)print(type(tensor))  # <class 'torch.Tensor'>
print(tensor)        # tensor([1, 2, 3, 4], dtype=torch.int64)

注意事项：

• 共享内存：与 Tensor 转 NumPy 类似，CPU 上的 Tensor 与原 NumPy 数组共享内存：

  numpy_array[0] = 100
  print(tensor)  # tensor([100,   2,   3,   4], dtype=torch.int64)（被同步修改）
  

• 强制复制（不共享内存）：若不想共享内存，可使用 torch.tensor() 重新创建（会复制数据）：

  tensor = torch.tensor(numpy_array)  # 复制数据，不共享内存
  

• 转移到 GPU：转换后若需在 GPU 上运行，可加 .cuda()：

  gpu_tensor = torch.from_numpy(numpy_array).cuda()
  

总结

转换方向	方法	关键注意点
Tensor → NumPy	tensor.numpy()	需在 CPU 上，共享内存；GPU 需先 .cpu()
NumPy → Tensor	torch.from_numpy(numpy_array)	默认在 CPU，共享内存；可加 .cuda() 移至 GPU

根据是否需要共享内存、是否在 GPU 上，选择合适的转换方式即可。