【无标题】

一、将tensor转成numpy

a = torch.ones(6)
b = a.numpy() #tensor->numpy()
print(a, b)

a += 1
print(a, b)
b += 1
print(a, b)

输出：

tensor([1., 1., 1., 1., 1., 1.]) [1. 1. 1. 1. 1. 1.]
tensor([2., 2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2. 2.]
tensor([3., 3., 3., 3., 3., 3.]) [3. 3. 3. 3. 3. 3.]
PS：.numpy() 的方式为浅拷贝，会共享内存，一变都变。

二、将numpy 转tensor

import numpy as np
a = np.ones(7)
b = torch.from_numpy(a) #numpy()->tensor
print(a, b)

a += 1
print(a, b)
b += 1
print(a, b)
输出：

[1. 1. 1. 1. 1. 1. 1.] tensor([1., 1., 1., 1., 1., 1., 1.], dtype=torch.float64)
[2. 2. 2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2., 2., 2.], dtype=torch.float64)
[3. 3. 3. 3. 3. 3. 3.] tensor([3., 3., 3., 3., 3., 3., 3.], dtype=torch.float64)

ps:torch.from_numpy()也是浅拷贝，一变都变。

一般程序中用浅拷贝，可以节省空间。

三、数据增加维度用于训练

x = x[np.newaxis, np.newaxis, …]

用于给数据添加batch维和channel维