Pytorch(Tensor)-Numpy(ndarrays) API对照表

pytorch的tensor和numpy和ndarray可以说是每一个深度学习工程师必须熟悉的基础工具，而这两个用法相近，但又有部分差异的“轮子”，网上却没有一篇详细的博客进行总结和对比，因此在这里进行记录和整理，希望本文能够帮助各位同学和自己对pytorch和numpy的API加深的理解，并在运用时能做到信手拈来。

Pytorch API Document：https://pytorch.org/docs/stable/index.html
Numpy API Document：https://numpy.org/doc/stable/reference/index.html

0. Tensor和Ndarray有什么区别？

此处借鉴几位优秀博主的回答：

• torch的tensor和Numpy的ndarrays
• pytorch的tensor与numpy数组的对比

---

接下来进入正式的总结阶段：

1. 变量基础定义API

• Numpy Array API
• 所有可以使用numpy.ndarray.xxx的函数：官方API

1.1 基础变量

Tensor	(nd)Array	Similarities	differences	Function/Example
torch.tenosr(data, dtype=None, device=None, requires_grad=False)	numpy.array(data, dtype=None)	都可以对dtype进行定义	Tensor可以同时在CPU和GPU上，而ndarray只能在CPU上；同时Tensor具有梯度	该函数具有的额外参数以下函数均具有，下面不再赘述

1.2 常用构造变量（ones）

Tensor	(nd)Array	Similarities	differences	Function/Example
torch.ones(size)	numpy.ones(shape)	这里的size和shape都是指list/tuple的sequence		构建全 1 array/Tensor
torch.zeros(size)	numpy.zeros(shape)			全0Tensor
torch.full(size, fill_value)	numpy.full(shape, fill_value)	都通过fill_value来实现某个数值的填充		全fill_valuearray/Tensor
torch.eye(n, m=None)	numpy.eye(N, M=None)	n都代表默认列数，如果没有m，则行也为m		对角线为1，其他为0的单位2D array/Tensor
X	numpy.identity(n)			对角线为1，行列相等的单位阵
torch.empty(size)	numpy.empty(shape)			全为uninitialized data的array/Tensor（即0或者接近0的数）

1.3 常用构造变量（ones_like）

Tensor	(nd)Array	Tensor Params	Ndarray Params	Function/Example
torch.empty_like(input)	numpy.empty_like(prototype)	input：Tensor或者size	prototype：array like，即所有具有array形式的变量，例如ndarray、list、tuple	- numpy: a = ([1,2], [4,5]); a = np.array([[1., 2.],[4.,5.]]); np.empty_like(a)； - torch: a=torch.empty((2,3)); torch.empty_like(a)
torch.ones_like(size)	numpy.ones_like(shape)
torch.zeros_like(size)	numpy.zeros_like(shape)
torch.full_like(size, fill_value)	numpy.full_like(shape, fill_value)

• 额外提示：Tensor可以使用Tensor.new_xxxx快速实现额外参数（包括：dtype、device、requires_grad）全部相同的新变量，例如：

>>> tensor = torch.tensor((), dtype=torch.int32, device="cuda")
>>> tensor.new_ones((2, 3))
tensor([[ 1,  1,  1],
        [ 1,  1,  1]], dtype=torch.int32, device="cuda")

2. 基础维度操作API

---

2.1 更换维度或者变换shape

Tensor	(nd)Array	Tensor Params	Ndarray Params	Function/Example
torch.reshape(input, shape) \ Tensor.reshape(shape)	numpy.reshape(a, newshape) \ ndarray.reshape(new_shape)			按照给定的新维度变换维度
torch.resize(input, shape) \ Tensor.resize(shape)	numpy.resize(a, newshape) \ ndarray.resize(new_shape)		输入参数可以是tuple，也可以是n个int，参考Numpy Example	按照给定的新维度变换维度
torch.transpose(input, dim0, dim1) \ Tensor.transpose(dim0, dim1)	numpy.swapaxes(a, axis1, axis2) \ ndarray.swapaxes(axis1, axis2)	输入为需要交换的两个维度，参考Torch Example	输入为需要交换的两个维度，参考Numpy Example	交换某两个维度
torch.permute(input, dims) \ Tensor.permute(*dims)	numpy.transpose(a, axes=None) \ ndarray.transpose(*axes)	dims：最终tensor的shape，可以是tuple，也可以是n个int，参考Torch Example	axes：可以是tuple，也可以是n个int，若未指定，则反向交换维度；参考Numpy Example	交换某两个维度

2.2 增加或减少某一维

Tensor	(nd)Array	Tensor Params	Ndarray Params	Function/Example
torch.squeeze(input, dim=None) \ tensor.squeeze(dim=None)	numpy.squeeze(a, axis=None) \ ndarray.squeeze(axis=None)			去除某一为1的维度
torch.unsqueeze(input, dim=None) \ tensor.unsqueeze(dim=None)	numpy.unsqueeze(a, axis=None) \ ndarray.unsqueeze(axis=None)			指定增加某一维度
X	numpy.expand_dims(a, axis)			指定增加某一维度

2.3 合并多个Tensor或Ndarray

Tensor	(nd)Array	Tensor Params	Ndarray Params	Function/Example
tensor.stack(tensors, dim=0)	numpy.stack(arrays, axis=0)	tensors：用list装起来的tensor	arrays ：用list装起来的array_like(array, list)的变量	在指定维度新建一维，合并tensor/ array
torch.cat(tensors, dim=0) \ torch.concatenate(tensors, dim=None)	numpy.concatenate((a1, a2, ...), axis=0			在指定维度直接合并tensor/ array

• 其他类似的更多函数：
  • numpy.hstack、numpy.vstack、numpy.dstack、

2.4 分离多个Tensor或Ndarray

• 其他类似的更多函数：
  • numpy：numpy.split、numpy.hsplit、numpy.vsplit、numpy.dsplit

numpy.repeat

3. 基础运算API

待更…