从NumPy数组到PyTorch张量的转换：torch.from_numpy()函数详解

在PyTorch中，torch.from_numpy()函数用于将NumPy数组转换为PyTorch张量。这对于在PyTorch和NumPy之间进行数据转换非常有用，尤其是在处理已经使用NumPy构建的数据集时。下面我们将详细介绍torch.from_numpy()函数的使用、工作原理、示例和常见问题。
用法
torch.from_numpy()函数的用法非常简单。只需将要转换的NumPy数组作为输入传递给该函数即可。

import torch
import numpy as np
# 创建一个NumPy数组
numpy_array = np.array([[1, 2, 3], [4, 5, 6]])
# 将NumPy数组转换为PyTorch张量
tensor = torch.from_numpy(numpy_array)

工作原理
torch.from_numpy()函数内部通过创建一个新的PyTorch张量并使用NumPy数组的值来填充它来工作。这个新张量与原始NumPy数组共享数据，但所有权属于PyTorch。这意味着对PyTorch张量的任何更改都会反映到NumPy数组中，反之亦然。但是，请注意，对原始NumPy数组的更改不会更改已转换为PyTorch张量的副本。
示例
下面是一个简单的示例，演示如何使用torch.from_numpy()函数将NumPy数组转换为PyTorch张量，并执行一些基本操作：

import torch
import numpy as np
# 创建一个NumPy数组
numpy_array = np.array([[1, 2, 3], [4, 5, 6]])
# 将NumPy数组转换为PyTorch张量
tensor = torch.from_numpy(numpy_array)
# 执行一些基本操作（例如加法）
result = tensor + tensor
print(result)  # 输出：[2 4 6; 8 10 12]

常见问题

1. 性能问题：虽然torch.from_numpy()函数在许多情况下都非常方便，但在处理大型数组时可能会导致性能下降。这是因为torch.from_numpy()函数创建的张量与原始NumPy数组共享数据，这可能导致在某些操作中产生不必要的开销。对于大型数据集，使用torch.tensor()或torch.as_tensor()函数可能更高效，因为它们不会与原始NumPy数组共享数据。
2. 内存占用：与torch.from_numpy()创建的张量共享数据的NumPy数组将无法被垃圾回收，因为它们仍然被PyTorch张量引用。这可能会导致内存占用增加，尤其是在长时间运行的程序中。为了避免这种情况，确保在使用完torch.from_numpy()创建的张量后不再需要引用NumPy数组时将其垃圾回收。
3. 类型转换：默认情况下，torch.from_numpy()将NumPy数组转换为具有相同数据类型的PyTorch张量。但是，如果NumPy数组的数据类型不是默认类型，则可能需要显式指定要使用的数据类型。例如，如果要创建一个具有不同数据类型的张量，可以使用torch.from_numpy(numpy_array, dtype=torch.float32)。
4. 错误处理：如果NumPy数组包含无效值（例如NaN或无穷大值），则在将其转换为PyTorch张量时可能会导致错误。在进行转换之前，建议检查NumPy数组的值范围和类型，以确保它们适合转换为PyTorch张量。
5. 内存不足：如果尝试将非常大的NumPy数组转换为PyTorch张量，而可用内存不足，则可能会导致错误。在这种情况下，考虑使用其他方法来处理数据或增加可用内存。
6. 注意线程安全：在多线程环境中使用torch.from_numpy()时，需要特别小心。确保在调用该函数之前对NumPy数组的所有操作都已完成，以避免潜在的线程安全问题。