数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究如何将带有梯度的 PyTorch 张量转换为 NumPy 数组？
要将具有梯度的 Torch 张量转换为 NumPy 数组，首先我们必须将该张量从当前计算图中分离出来。为此，我们使用 Tensor.detach() 操作。此操作将张量从当前计算图中分离出来。现在，我们无法计算相对于此张量的梯度。在 detach() 操作之后，我们使用 .numpy() 方法将其转换为 NumPy 数组。
如果在 GPU 上定义了具有 **requires_grad=True** 的张量，则要将此张量转换为 NumPy 数组，我们必须执行一个额外的步骤。首先，我们必须将张量移动到 CPU，然后执行 **Tensor.detach()** 操作，最后使用 **.numpy()** 方法将其转换为 NumPy 数组。
步骤
导入所需的库。所需的库是 **torch**。
在 CPU 上创建具有梯度的张量。如果在 GPU 上已经定义了具有梯度的张量，则必须将其移动到 CPU。
将张量从当前计算图中分离。您可以使用 **.detach()** 执行此操作。在 **detach()** 操作之后，张量将没有梯度。
接下来，将没有梯度的张量转换为 NumPy 数组。您可以使用 **.numpy()** 将其转换为 NumPy 数组。
打印 NumPy 数组。
示例 1
# import torch library
import torch
# define a tensor with requires gradient true
x = torch.tensor([1.,2.], requires_grad = True)
print("x:", x)
# x.numpy()--> error
x = x.detach().numpy()
print("x:", x)
print("type of x:", type(x))输出
x: tensor([1., 2.], requires_grad=True) x: [1. 2.] type of x: <class 'numpy.ndarray'>
示例 2
import torch
# define device
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# define tensors with gradients on gpu
x = torch.tensor([1.,2.], requires_grad = True, device = device)
y = torch.tensor([1.,2., 3.], requires_grad = True, device = device)
print("x:", x)
print("y:", y)
# first move the tensor from gpu to cpu
x = x.to('cpu') # or x = x.cpu()
# then detach the requires_grad
x = x.detach()
# and then convert to numpy
x = x.numpy()
print("x:",x)
print("type of x:", type(x))
y = y.cpu().detach().numpy()
print("y:", y)
print("type of y:", type(y))输出 1 - 如果 GPU 不可用
x: tensor([1., 2.], requires_grad=True) y: tensor([1., 2., 3.], requires_grad=True) x: [1. 2.] type of x: <class 'numpy.ndarray'> y: [1. 2. 3.] type of y: <class 'numpy.ndarray'>
输出 2 - 如果 GPU 可用
x: tensor([1., 2.], device='cuda:0', requires_grad=True) y: tensor([1., 2., 3.], device='cuda:0', requires_grad=True) x: [1. 2.] type of x: <class 'numpy.ndarray'> y: [1. 2. 3.] type of y: <class 'numpy.ndarray'>
更新于: 2022年1月6日
6K+ 浏览量
广告