NumPy-kirjasto ei tue oletusarvoisesti GPU-kiihdytystä. Tämä tarkoittaa, että NumPy-toimintoja rajoittavat muisti ja suorittimen nopeus. Se on haitta laajamittaisessa data-analyysissä ja monimutkaisissa laskelmissa. PyTorch-tensorit käyttävät kuitenkin GPU:ta numeeristen laskelmien nopeuttamiseen. Tämä on välttämätöntä syvän oppimisen sovelluksille, joissa dataa on valtavasti. Käyttäjät voivat muuntaa NumPy-taulukon PyTorch-tensoriksi hyödyntääkseen tätä ominaisuutta ja parantaakseen koneoppimismallien suorituskykyä.
Tämä blogi havainnollistaa tapoja muuttaa NumPy-taulukko PyTorch-tensoriksi.
Kuinka muuntaa / muuntaa NumPy-taulukoksi PyTorch Tensoriksi?
NumPy-taulukon muuntamiseen PyTorch-tensoriksi voidaan käyttää kahta menetelmää:
- Tapa 1: 'torch.from_numpy()'-funktion käyttäminen
- Tapa 2: 'torch.tensor()'-funktion käyttäminen
Tapa 1: Muunna/muunna NumPy-taulukko PyTorch-tensoriksi käyttämällä 'torch.from_numpy()'-funktiota
Muuttaakseen NumPy-taulukon PyTorch-tensoriksi käyttäjät voivat käyttää 'torch.from_numpy()'-funktiota. Vaiheittaiset ohjeet annetaan alla:
Vaihe 1: Tuo tarvittavat kirjastot
Tuo ensin haluamasi 'torch'- ja 'numpy'-kirjastot:
tuonti taskulamppu #importing taskulamppukirjasto
tuonti numpy as np #importing NumPy-kirjasto
Vaihe 2: Tee NumPy-taulukko
Luo sitten yksinkertainen NumPy-taulukko. Olemme esimerkiksi luoneet seuraavan NumPy-taulukon ja tallentaneet sen ' num_array ”muuttuja:
Vaihe 3: Muunna Numpy Array PyTorch Tensoriksi
Käytä nyt ' torch.from_numpy() ”-funktio muuntaa yllä luodun NumPy-taulukon PyTorch-tensoriksi ja tallentaa sen muuttujaksi. Täällä olemme käyttäneet ' Py_tensor ”-muuttuja muunnetun NumPy-taulukon tallentamiseksi:
Py_tensor = taskulamppu. from_numpy ( num_array )
Vaihe 4: Tulostus
Tulosta lopuksi ' Py_tensor 'tensori:
Tämä on muuttanut NumPy-taulukon PyTorch-tensoriksi:
Huomautus : Jos käyttäjä käyttää 'torch.from_numpy()'-funktiota NumPy-taulukon muuntamiseen PyTorch-tensoriksi, tuloksena oleva PyTorch-tensori linkitetään alkuperäiseen Numpy-taulukkoon ja käyttää samaa muistia. Siksi kaikki tensoriin tehdyt/sovitetut muutokset vaikuttavat myös varsinaiseen taulukkoon. Tämän toiminnan välttämiseksi käytä 'torch.tensor()'-funktiota.
Tapa 2: Muunna/muunna NumPy-taulukko PyTorch-tensoriksi käyttämällä 'torch.tensor()'-funktiota
Muuttaakseen NumPy-taulukon PyTorch-tensoriksi käyttäjät voivat käyttää 'torch.tensor()'-funktiota. Vaiheittaiset ohjeet annetaan alla:
Vaihe 1: Tuo kirjastot
Tuo ensin tarvittavat ' taskulamppu ' ja ' nuhjuinen ”kirjastot:
tuonti nuhjuinen kuten mm
Vaihe 2: Tee NumPy-taulukko
Luo sen jälkeen NumPy-taulukko. Olemme esimerkiksi luoneet seuraavan NumPy-taulukon ja tallentaneet sen ' num_array ”muuttuja:
Vaihe 3: Muunna NumPy-taulukko PyTorch-tensoriksi
Muunna sitten NumPy-taulukko PyTorch-tensoriksi ' torch.from_numpy() ”-funktio ja tallenna se muuttujaan. Täällä olemme käyttäneet ' Py_tensor ”-muuttuja muunnetun NumPy-taulukon tallentamiseksi:
Vaihe 4: Tulostus
Lopuksi tulosta 'Py_tensor' tensori:
Näin NumPy-taulukko on muutettu PyTorch-tensoriksi:
Huomautus : Pääset käyttämään Google Colab -muistikirjaamme tästä linkki .
Olemme selittäneet tehokkaasti menetelmät NumPy-taulukon muuntamiseksi PyTorch-tensoriksi.
Johtopäätös
Jos haluat muuntaa/muuntaa NumPy-taulukon PyTorch-tensoriksi, tuo ensin tarvittavat kirjastot. Luo sitten yksinkertainen NumPy-taulukko ja tallenna se tiettyyn muuttujaan. Käytä sen jälkeen ' torch.from_numpy() ' tai ' torch.tensor() ”-funktio muuttaa NumPy-taulukon PyTorch-tensoriksi ja tulostaa sen. Tämä blogi on havainnollistanut kaksi tapaa muuntaa/muuntaa NumPy-taulukon PyTorch-tensoriksi.