我的pytorch张量大小为torch.Size([4, 3, 966, 1296])
我想使用以下代码将其转换为numpy数组：
imgs = imgs.numpy()[:, ::-1, :, :]
任何人都可以解释一下这段代码在做什么吗？
答案 0 :(得分：9)
您要转换的张量有4个维度。
[:, ::-1, :, :]
:表示第一个维度应按原样复制并转换，第三维和第四维度相同。
::-1表示对于第二轴，它会反转轴
答案 1 :(得分：3)
我相信您还必须使用.detach（）。我必须在使用CUDA和GPU的Colab上将Tensor转换为numpy数组。我这样做如下：
# this is just my embedding matrix which is a Torch tensor object
embedding = learn.model.u_weight
embedding_list = list(range(0, 64382))
input = torch.cuda.LongTensor(embedding_list)
tensor_array = embedding(input)
# the output of the line bwlow is a numpy array
tensor_array.cpu().detach().numpy()
答案 2 :(得分：3)
其他答案完全时，我将添加一些将张量转换为numpy数组的现实示例：
驻留在CPU上的PyTorch张量与numpy数组na共享同一存储空间
import torch
a = torch.ones((1,2))
print(a)
na = a.numpy()
na[0][0]=10
print(na)
print(a)
输出：
tensor([[1., 1.]])
[[10. 1.]]
tensor([[10., 1.]])
为了避免共享存储的影响，我们需要将numpy数组copy() na更改为新的numpy数组nac。 Numpy copy()方法创建新的单独存储。
import torch
a = torch.ones((1,2))
print(a)
na = a.numpy()
nac = na.copy()
nac[0][0]=10
print(nac)
print(na)
print(a)
输出：
tensor([[1., 1.]])
[[10. 1.]]
[[1. 1.]]
tensor([[1., 1.]])
现在，仅nac numpy数组将与行nac[0][0]=10，na和a保持不变。
requires_grad=True的CPU张量 import torch
a = torch.ones((1,2), requires_grad=True)
print(a)
na = a.detach().numpy()
na[0][0]=10
print(na)
print(a)
输出：
tensor([[1., 1.]], requires_grad=True)
[[10. 1.]]
tensor([[10., 1.]], requires_grad=True)
在这里我们称为：
na = a.numpy()
这将导致：RuntimeError: Can't call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead.，因为PyTorch AD记录了require_grad=True的张量。请注意，tensor.detach()是tensor.data的新方法。
这说明了为什么在使用detach()进行转换之前，我们首先需要numpy()它们。
requires_grad=False a = torch.ones((1,2), device='cuda')
print(a)
na = a.to('cpu').numpy()
na[0][0]=10
print(na)
print(a)
输出：
tensor([[1., 1.]], device='cuda:0')
[[10. 1.]]
tensor([[1., 1.]], device='cuda:0')
requires_grad=True a = torch.ones((1,2), device='cuda', requires_grad=True)
print(a)
na = a.detach().to('cpu').numpy()
na[0][0]=10
print(na)
print(a)
输出：
tensor([[1., 1.]], device='cuda:0', requires_grad=True)
[[10. 1.]]
tensor([[1., 1.]], device='cuda:0', requires_grad=True)
如果没有detach()方法，则会设置错误RuntimeError: Can't call numpy（） on Tensor that requires grad. Use tensor.detach().numpy() instead.。
没有设置.to('cpu')方法TypeError: can't convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.的情况。
您可以使用cpu()，而不是to('cpu')，但我更喜欢新的to('cpu')。
答案 3 :(得分：1)
这对我有用：
np_arr = torch_tensor.cpu().detach().numpy()
答案 4 :(得分：0)
如果变量附带某些毕业证明，则可以使用此语法。
y = torch.Tensor.cpu（x）.detach（）。numpy（）[：，：，：，-1]
答案 5 :(得分：0)
您的问题措辞很差。您的代码（某种程度上）已经可以满足您的要求。您到底对什么感到困惑？ x.numpy()回答问题的原始标题：
Pytorch张量到numpy数组
您需要从标题开始改善问题。
无论如何，以防万一这对其他人有用。您可能需要调用detach才能使代码正常工作。例如
RuntimeError: Can't call numpy() on Variable that requires grad.
因此致电.detach()。示例代码：
# creating data and running through a nn and saving it
import torch
import torch.nn as nn
from pathlib import Path
from collections import OrderedDict
import numpy as np
path = Path('~/data/tmp/').expanduser()
path.mkdir(parents=True, exist_ok=True)
num_samples = 3
Din, Dout = 1, 1
lb, ub = -1, 1
x = torch.torch.distributions.Uniform(low=lb, high=ub).sample((num_samples, Din))
f = nn.Sequential(OrderedDict([
('f1', nn.Linear(Din,Dout)),
('out', nn.SELU())
]))
y = f(x)
# save data
y.numpy()
x_np, y_np = x.detach().cpu().numpy(), y.detach().cpu().numpy()
np.savez(path / 'db', x=x_np, y=y_np)
print(x_np)
cpu在分离之后进行。参见：https://discuss.pytorch.org/t/should-it-really-be-necessary-to-do-var-detach-cpu-numpy/35489/5
我也不会对这种打滑发表任何评论，因为这不在主题范围之内，也不应该成为您提问的重点。看到这个：