NumPy-biblioteket understøtter ikke GPU-acceleration som standard. Dette betyder, at NumPy-operationer er begrænset af hukommelsen og CPU-hastigheden. Det er en ulempe for storstilet dataanalyse og komplekse beregninger. PyTorch-tensorerne bruger dog GPU til at fremskynde de numeriske beregninger. Dette er vigtigt for deep learning-applikationer, hvor dataene er enorme. Brugere kan konvertere NumPy-arrayet til en PyTorch-tensor for at drage fordel af denne funktion og forbedre maskinlæringsmodellernes ydeevne.
Denne blog vil illustrere metoderne til at transformere NumPy-arrayet til en PyTorch-tensor.
Hvordan konverteres/transformeres til NumPy Array til PyTorch Tensor?
For at konvertere/transformere NumPy-arrayet til en PyTorch-tensor, kan to metoder bruges:
- Metode 1: Brug af funktionen 'torch.from_numpy()'.
- Metode 2: Brug af funktionen 'torch.tensor()'.
Metode 1: Konverter/transform NumPy Array til PyTorch Tensor ved hjælp af 'torch.from_numpy()' funktion
For at transformere NumPy-arrayet til PyTorch-tensor kan brugere bruge funktionen 'torch.from_numpy()'. Trin-for-trin instruktionerne er givet nedenfor:
Trin 1: Importer nødvendige biblioteker
Importer først de ønskede 'fakkel' og 'numpy' biblioteker:
importere fakkel #importing fakkelbibliotek
importere numpy as np #importing NumPy-bibliotek
Trin 2: Lav et NumPy-array
Opret derefter et simpelt NumPy-array. For eksempel har vi oprettet følgende NumPy-array og gemt det i en ' num_array variabel:
Trin 3: Transform Numpy Array til en PyTorch Tensor
Brug nu ' torch.from_numpy() ”-funktion til at transformere det ovenfor oprettede NumPy-array til en PyTorch-tensor og gemme det i en variabel. Her har vi brugt ' Py_tensor variabel til at gemme det konverterede NumPy-array:
Py_tensor = fakkel. from_numpy ( num_array )
Trin 4: Udskriftsoutput
Udskriv endelig ' Py_tensor ' tensor:
Dette har konverteret NumPy-arrayet til en PyTorch-tensor:
Bemærk : Hvis en bruger bruger funktionen 'torch.from_numpy()' til at transformere NumPy-arrayet til en PyTorch-tensor, vil den resulterende PyTorch-tensor blive knyttet til det originale Numpy-array og bruge den samme hukommelse. Derfor vil eventuelle ændringer foretaget/anvendt på tensoren ligeledes have en indvirkning på det faktiske array. For at undgå denne adfærd skal du bruge funktionen 'torch.tensor()'.
Metode 2: Konverter/transform NumPy-array til PyTorch-tensor ved hjælp af 'torch.tensor()'-funktionen
For at transformere NumPy-arrayet til en PyTorch-tensor kan brugere bruge funktionen 'torch.tensor()'. Trin-for-trin instruktionerne er givet nedenfor:
Trin 1: Importer biblioteker
Først skal du importere de nødvendige ' fakkel ' og ' nusset ” biblioteker:
importere numpy som np
Trin 2: Lav et NumPy-array
Derefter skal du oprette et NumPy-array. For eksempel har vi oprettet følgende NumPy-array og gemt det i en ' num_array variabel:
Trin 3: Transformer NumPy-arrayet til en PyTorch-tensor
Transform derefter NumPy-arrayet til en PyTorch-tensor via ' torch.from_numpy() ”-funktion og gemme den i en variabel. Her har vi brugt ' Py_tensor variabel til at gemme det konverterede NumPy-array:
Trin 4: Udskriftsoutput
Print til sidst 'Py_tensor' tensor:
Ved at gøre det er NumPy-arrayet blevet konverteret til en PyTorch-tensor:
Bemærk : Du kan få adgang til vores Google Colab Notebook her link .
Vi har effektivt forklaret metoderne til at transformere NumPy-arrayet til en PyTorch-tensor.
Konklusion
For at konvertere/transformere NumPy-arrayet til en PyTorch-tensor skal du først importere nødvendige biblioteker. Opret derefter et simpelt NumPy-array og gem det i en bestemt variabel. Brug derefter ' torch.from_numpy() ' eller ' torch.tensor() ”-funktion til at transformere NumPy-arrayet til en PyTorch-tensor og udskrive det. Denne blog har illustreret to metoder til at konvertere/transformere NumPy-arrayet til en PyTorch-tensor.