資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究如何將帶有梯度的 PyTorch 張量轉換為 NumPy 陣列？
要將具有梯度的 Torch 張量轉換為 NumPy 陣列，首先我們必須將該張量從當前計算圖中分離出來。為此，我們使用 Tensor.detach() 操作。此操作將張量從當前計算圖中分離出來。現在，我們無法計算相對於此張量的梯度。在 detach() 操作之後，我們使用 .numpy() 方法將其轉換為 NumPy 陣列。
如果在 GPU 上定義了具有 **requires_grad=True** 的張量，則要將此張量轉換為 NumPy 陣列，我們必須執行一個額外的步驟。首先，我們必須將張量移動到 CPU，然後執行 **Tensor.detach()** 操作，最後使用 **.numpy()** 方法將其轉換為 NumPy 陣列。
步驟
匯入所需的庫。所需的庫是 **torch**。
在 CPU 上建立具有梯度的張量。如果在 GPU 上已經定義了具有梯度的張量，則必須將其移動到 CPU。
將張量從當前計算圖中分離。您可以使用 **.detach()** 執行此操作。在 **detach()** 操作之後，張量將沒有梯度。
接下來，將沒有梯度的張量轉換為 NumPy 陣列。您可以使用 **.numpy()** 將其轉換為 NumPy 陣列。
列印 NumPy 陣列。
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))輸出
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))輸出 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'>
輸出 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'>
更新於: 2022年1月6日
6K+ 瀏覽量
廣告