Welcome to Hands on deep learning!

02.01.06 转换为其他Python对象

将深度学习框架定义的张量转换为NumPy张量（ndarray）很容易，反之也同样容易。 转换后的结果不共享内存。 这个小的不便实际上是非常重要的：当在CPU或GPU上执行操作的时候， 如果Python的NumPy包也希望使用相同的内存块执行其他操作，人们不希望停下计算来等它。

import torch,numpy as np

X = torch.arange(12, dtype=torch.float32).reshape((3,4))

A = X.numpy()

B = torch.tensor(A)

print(type(A), type(B))

返回值：

<class 'numpy.ndarray'> <class 'torch.Tensor'>

要将大小为1的张量转换为Python标量，我们可以调用item函数或Python的内置函数。

import torch,numpy as np

a = torch.arange(12, dtype=torch.float32).reshape((3,4))

b=a.numpy()

c = torch.tensor([3.5])

print(a)

print(a[0, 2].item()) # 获取单个元素标量

print(a.tolist()) # 转换为嵌套列表

print(float(c))

print(int(c))

返回值：

tensor([[ 0., 1., 2., 3.],

[ 4., 5., 6., 7.],

[ 8., 9., 10., 11.]])

2

[[0.0, 1.0, 2.0, 3.0], [4.0, 5.0, 6.0, 7.0], [8.0, 9.0, 10.0, 11.0]]

3.5

3

补充说明

float(a) 和 int(a) 本质上是调用 a.__float__() 和 a.__int__()，这些方法同样要求张量是标量，因此不能用于多元素张量。

如果确实需要将所有元素转为 Python 标量组成的列表，推荐使用 .tolist() 或 .numpy().tolist()