核心要点

  • torch.from_numpy(arr) 与原数组共享内存、零拷贝，适合读大批数据，但改一方会影响另一方

  • torch.tensor(arr) 拷贝一份独立数据，可顺带指定 dtype、device、requires_grad

  • 注意 dtype：NumPy 默认 float64，直接转来需显式转 float32 才适合训练

  • 反向转回用 .numpy()；GPU 或带梯度的张量要先 .detach().cpu() 再 .numpy()

标准回答

NumPy 与 PyTorch 互操作常见方式：

1. torch.from_numpy(ndarray)（推荐读数据）

  • 与原数组共享内存，修改一方影响另一方；
  • 保留 NumPy 的 dtype（float64 仍是 float64），且不会自动 requires_grad。
python
import numpy as np
arr = np.array([1.0, 2.0, 3.0])
t = torch.from_numpy(arr)  # 共享内存

2. torch.tensor(data)

  • 拷贝数据、独立存储；
  • 可显式指定 dtype、device、requires_grad，最稳妥。

3. torch.as_tensor(data)

  • 类似 from_numpy，能零拷贝时零拷贝，否则拷贝。

转回 NumPy

python
t.detach().cpu().numpy()  # 断开梯度、搬回 CPU 再转

注意：GPU 张量不能直接 .numpy()，需先 .cpu()；带梯度张量需 detach() 断图；float64 转来的张量训练前一般要 .float()。DataLoader 常直接产出 Tensor，避免反复转换。详见 深度学习基础。

常见误区

⚠️ 常见踩坑

GPU tensor 直接 .numpy()；需要梯度时对 tensor.numpy() 未 detach；共享内存意外修改数据。

追问

追问 1：from_numpy 后改 NumPy 影响训练吗？

会。from_numpy 共享内存，若 DataLoader/预处理在原 ndarray 上原地修改，已转出的张量内容也会跟着变，可能引入难查的数据 bug；多进程 num_workers 下还可能有数据竞争。要彻底隔离就用 torch.tensor(arr)（拷贝），或转完后立即 .clone()。

追问 2：float64 NumPy 转 tensor 训练有问题吗？

有。NumPy 默认 float64，而模型权重一般是 float32，二者参与运算会 dtype 不匹配报错，或被迫升到 float64 导致显存翻倍、GPU 吞吐骤降。正确做法是转换时显式 .float()（或 torch.tensor(arr, dtype=torch.float32)）。

追问 3：PIL 图像如何进 PyTorch？

题库专题：PyTorch 中反向传播的过程是怎样的？

最常用 torchvision.transforms.ToTensor()，它把 PIL.Image（HWC、0~255 的 uint8）转成 CHW、归一化到 [0,1] 的 float32 张量，常配合 Compose 接 Normalize、Resize 等。手动做则需 np.array(img) 再 torch.from_numpy 并 permute(2,0,1)、/255。新版也可用 transforms.PILToTensor()（保留 uint8、不缩放）。

题库延伸：与本追问相关的专题题 → PyTorch 中反向传播的过程是怎样的？

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

📰 AI 资讯

🛠️ AI 工具

  • Pytorch

    Meta 开源的深度学习框架，100K+ stars。以动态计算图和 Pythonic 风格著称，在学术界和工业界都有广泛应用，支持分布式训练、移动端部署和 ONNX 导出

  • Tensorflow

    全球最流行的机器学习框架之一，195K+ stars。Google 开源的端到端 ML 平台，支持 TensorFlow、Keras 等多种 API，覆盖深度学习、强化学习、移动端部署等全场景，是 AI 工程师的必备工具

🎯 相关面试题