NumPy-biblioteket stöder inte GPU-acceleration som standard. Detta innebär att NumPy-operationer begränsas av minnet och CPU-hastigheten. Det är en nackdel för storskalig dataanalys och komplexa beräkningar. PyTorch-tensorerna använder dock GPU för att påskynda de numeriska beräkningarna. Detta är viktigt för applikationer för djupinlärning där data är enorm. Användare kan konvertera NumPy-arrayen till en PyTorch-tensor för att dra nytta av denna funktion och förbättra maskininlärningsmodellernas prestanda.
Den här bloggen kommer att illustrera metoderna för att omvandla NumPy-arrayen till en PyTorch-tensor.
Hur konverterar/omvandlar man till NumPy Array till PyTorch Tensor?
För att konvertera/omvandla NumPy-arrayen till en PyTorch-tensor kan två metoder användas:
- Metod 1: Använd funktionen 'torch.from_numpy()'.
- Metod 2: Använd funktionen 'torch.tensor()'.
Metod 1: Konvertera/omvandla NumPy Array till PyTorch Tensor med funktionen 'torch.from_numpy()'
För att omvandla NumPy-arrayen till PyTorch-tensor kan användare använda funktionen 'torch.from_numpy()'. Steg-för-steg-instruktionerna ges nedan:
Steg 1: Importera nödvändiga bibliotek
Importera först önskade 'fackla' och 'numpy' bibliotek:
importera ficklampa #importing torch library
importera numpy as np #importing NumPy-bibliotek
Steg 2: Skapa en NumPy-array
Skapa sedan en enkel NumPy-array. Till exempel har vi skapat följande NumPy-array och lagrat den i en ' num_array ' variabel:
Steg 3: Förvandla Numpy Array till en PyTorch-tensor
Använd nu ' torch.from_numpy() ” funktion för att omvandla den ovan skapade NumPy-matrisen till en PyTorch-tensor och lagra den i en variabel. Här har vi använt ' Py_tensor variabel för att lagra den konverterade NumPy-matrisen:
Py_tensor = fackla. from_numpy ( num_array )
Steg 4: Utskrift
Slutligen, skriv ut ' Py_tensor ' tensor:
Detta har konverterat NumPy-arrayen till en PyTorch-tensor:
Notera : Om en användare använder funktionen 'torch.from_numpy()' för att omvandla NumPy-arrayen till en PyTorch-tensor, kommer den resulterande PyTorch-tensorn att länkas till den ursprungliga Numpy-arrayen och använda samma minne. Därför kommer alla ändringar som görs/tillämpas på tensorn också att ha en inverkan på den faktiska arrayen. För att undvika detta beteende, använd funktionen 'torch.tensor()'.
Metod 2: Konvertera/omvandla NumPy Array till PyTorch Tensor med funktionen 'torch.tensor()'
För att omvandla NumPy-arrayen till en PyTorch-tensor kan användare använda funktionen 'torch.tensor()'. Steg-för-steg-instruktionerna ges nedan:
Steg 1: Importera bibliotek
Importera först det nödvändiga ' fackla ' och ' numpy ” bibliotek:
importera numpy som np
Steg 2: Skapa en NumPy-array
Efter det skapar du en NumPy-array. Till exempel har vi skapat följande NumPy-array och lagrat den i en ' num_array ' variabel:
Steg 3: Förvandla NumPy-arrayen till en PyTorch-tensor
Förvandla sedan NumPy-arrayen till en PyTorch-tensor via ' torch.from_numpy() ” och lagra den i en variabel. Här har vi använt ' Py_tensor variabel för att lagra den konverterade NumPy-matrisen:
Steg 4: Utskrift
Slutligen, skriv ut 'Py_tensor' tensor:
Genom att göra det har NumPy-arrayen omvandlats till en PyTorch-tensor:
Notera : Du kan komma åt vår Google Colab Notebook här länk .
Vi har effektivt förklarat metoderna för att transformera NumPy-arrayen till en PyTorch-tensor.
Slutsats
För att konvertera/omvandla NumPy-arrayen till en PyTorch-tensor, importera först nödvändiga bibliotek. Skapa sedan en enkel NumPy-array och lagra den i en viss variabel. Efter det använder du ' torch.from_numpy() ' eller ' torch.tensor() ”-funktion för att omvandla NumPy-arrayen till en PyTorch-tensor och skriva ut den. Den här bloggen har illustrerat två metoder för att konvertera/omvandla NumPy-arrayen till en PyTorch-tensor.