1. NumPy 和 PyTorch Tensor 的格式对比

NumPy 使用的是 numpy.ndarray，而 PyTorch 使用的是 torch.Tensor，两者的格式在数据存储和计算方式上有所不同。

NumPy (numpy.ndarray)

import numpy as np
array = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(array.shape)  # 输出: (2, 3)
print(type(array))  # <class 'numpy.ndarray'>

• 存储格式：数据存储在 CPU 内存中，默认是 float64。
• 索引方式：与 Python list 类似，可以用 array[i, j] 访问元素。
• 操作方式：可以用 np.min(array, axis=0) 计算最小值，支持广播计算。

PyTorch (torch.Tensor)

import torch
tensor = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(tensor.shape)  # 输出: torch.Size([2, 3])
print(type(tensor))  # <class 'torch.Tensor'>

• 存储格式：可以在 CPU 或 GPU（通过 .cuda()）上存储，默认是 float32。
• 索引方式：与 NumPy 相同，例如 tensor[i, j] 访问元素。
• 操作方式：支持 torch.min(tensor, dim=0)，但也支持梯度计算。

---

2. NumPy 和 Tensor 主要区别

特性	NumPy (numpy.ndarray)	PyTorch (torch.Tensor)
存储位置	仅支持 CPU	支持 CPU 和 GPU（tensor.cuda()）
数据类型	默认 float64	默认 float32（更快）
自动求导	不支持	支持（requires_grad=True）
计算库	只依赖 NumPy	可用 GPU 加速（CUDA）
转换方式	.astype(np.float32)	.to(torch.float32)

---

3. NumPy 和 Tensor 互相转换

Tensor 转 NumPy

tensor = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
array = tensor.numpy()  # 转换为 NumPy
print(type(array))  # <class 'numpy.ndarray'>

⚠ 注意：转换后的 NumPy 数组和原始 Tensor 共享内存，修改其中一个会影响另一个。

NumPy 转 Tensor

array = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
tensor = torch.from_numpy(array)  # 转换为 Tensor
print(type(tensor))  # <class 'torch.Tensor'>

⚠ 注意：转换后的 Tensor 仍然在 CPU，如果要在 GPU 计算，需要 .to(device)。

如果 NumPy 数组在 GPU 上使用：

tensor = torch.from_numpy(array).to('cuda')

总结

1. NumPy (numpy.ndarray) 只在 CPU 上计算，数据格式是 float64，不支持自动求导。
2. PyTorch Tensor (torch.Tensor) 支持 GPU 加速，默认 float32，可以自动求导。
3. 互相转换：
   • tensor.numpy() 转 NumPy（共享内存）。
   • torch.from_numpy(array) 转 Tensor（仍然在 CPU）。
   • tensor.to('cuda') 让 Tensor 运行在 GPU 上。