Notas de estudio de Pytorch 1.3: Comparación de las funciones de Numpy y Torch

antorcha.from_numpy ()

Datos de tensor convertidos a antorcha

torch_data.numpy ()

Convierta los datos de la antorcha en datos numerosos

import torch
import numpy as np

# 把numpy数据转换为torch数据
np_data = np.arange(6).reshape(2, 3)
torch_data = torch.from_numpy(np_data)  # 转换成torch的tensor数据

# 把torch数据转换为numpy数据
tensor2array = torch_data.numpy()
print(
    '\nnumpy', np_data,
    '\ntorch', torch_data,
    '\ntensor2array', tensor2array,

)

resultado de la operación:

numpy para valor absoluto: np.abs (datos)

antorcha encuentra el valor absoluto: antorcha.abs (tensor)

numpy 求 sin ： np.sin (datos)

antorcha 求 pecado ： antorcha.sin (tensor)

promedio numpy: np.mean (datos)

antorcha media: antorcha media (tensor)

import torch
import numpy as np



# abs
data = [-1, -2, 1, 2]
tensor = torch.FloatTensor(data)  # 转换为32bit的tensor浮点型

print(
    '\nnbs',
    '\nnumpy:', np.abs(data),  # [1 2 1 2]
    '\ntorch:', torch.abs(tensor)  # [1 2 1 2]
)


# sin
print(
    '\nsin',
    '\nnumpy:', np.sin(data),  # [1 2 1 2]
    '\ntorch:', torch.sin(tensor)  # [1 2 1 2]
)

# mean
print(
    '\nmean',
    '\nnumpy:', np.mean(data),  # [1 2 1 2]
    '\ntorch:', torch.mean(tensor)  # [1 2 1 2]
)

Resultado del cálculo:

Multiplicación de matriz numpy: np.matmul (data1, data1)

Multiplicación de la matriz de forma de tensor de antorcha: antorcha.mm (tensor1, tensor1)

import torch
import numpy as np
# 矩阵形式的运算
data1 = [[1, 2], [3, 4]]
tensor1 = torch.FloatTensor(data1)

print(
    '\nnumpy:', np.matmul(data1, data1),
    '\ntorch:', torch.mm(tensor1, tensor1)
)

Ejecutar captura de pantalla: