PyTorch张量与NumPy互转：内存共享、复制与item()

PyTorch负责张量计算，NumPy擅长通用数值处理和数据交换。在数据预处理、绘图和调试时，我们经常要在Tensor与ndarray之间切换。转换方法并不难，真正需要注意的是：转换后是否仍共享同一块内存。

一、转换方法总览

二、Tensor转换为NumPy数组

对于位于CPU上、且不需要梯度的张量，可以直接调用numpy()。得到的数组通常与原张量共享底层内存，因此修改数组也会改变张量。

import torch

tensor = torch.tensor([1, 2, 3, 4, 5])
array = tensor.numpy()

array[0] = 100
print(array)   # [100   2   3   4   5]
print(tensor)  # tensor([100,   2,   3,   4,   5])

如果希望两者互不影响，就在转换后调用copy()，创建拥有独立数据的NumPy数组：

tensor = torch.tensor([1, 2, 3, 4, 5])
array = tensor.detach().cpu().numpy().copy()

array[0] = 100
print(array)   # [100   2   3   4   5]
print(tensor)  # tensor([1, 2, 3, 4, 5])

detach()把张量从当前自动求导计算图中分离，cpu()确保数据位于CPU，numpy()完成类型转换，最后的copy()才真正切断内存共享。对于普通CPU张量，前两个步骤可能没有实际变化，但这条写法能覆盖训练代码中更常见的情况。

三、NumPy数组转换为Tensor

torch.from_numpy()通常不会复制数据，而是让张量与NumPy数组共享内存。修改张量后，原数组也会变化。

import numpy as np
import torch

array = np.array([11, 22, 33])
tensor = torch.from_numpy(array)

tensor[0] = 100
print(tensor)  # tensor([100,  22,  33])
print(array)   # [100  22  33]

如果需要一份独立数据，使用torch.tensor()更直接：

array = np.array([11, 22, 33])
tensor = torch.tensor(array)

tensor[0] = 100
print(tensor)  # tensor([100,  22,  33])
print(array)   # [11 22 33]

torch.tensor()还可以在创建时指定数据类型，例如torch.tensor(array, dtype=torch.float32)。这比先创建张量再调用旧式的type()更清晰。

四、用item()提取Python标量

零维张量经常出现在损失值、准确率或单个预测结果中。调用item()可以取出普通Python数字：

tensor = torch.tensor(100)
value = tensor.item()

print(tensor, type(tensor))  # tensor(100) <class 'torch.Tensor'>
print(value, type(value))    # 100 <class 'int'>

item()要求张量只能包含一个元素。多元素张量调用它会报错；这类张量应先索引到单个元素，或根据用途转换成列表、NumPy数组。

五、完整可运行示例

import numpy as np
import torch


def tensor_to_numpy():
    tensor = torch.tensor([1, 2, 3, 4, 5])
    array = tensor.detach().cpu().numpy().copy()

    array[0] = 100
    print(f"array: {array}, type: {type(array)}")
    print(f"tensor: {tensor}, type: {type(tensor)}")


def numpy_to_tensor():
    array = np.array([11, 22, 33])
    tensor = torch.tensor(array)

    tensor[0] = 100
    print(f"tensor: {tensor}, type: {type(tensor)}")
    print(f"array: {array}, type: {type(array)}")


def extract_scalar():
    tensor = torch.tensor(100)
    value = tensor.item()

    print(f"tensor: {tensor}, type: {type(tensor)}")
    print(f"value: {value}, type: {type(value)}")


if __name__ == "__main__":
    tensor_to_numpy()
    numpy_to_tensor()
    extract_scalar()

六、怎么选择

• 只读交换数据：可以使用numpy()或from_numpy()，省去复制开销。
• 后续会修改数据：优先使用copy()或torch.tensor()，避免一处修改意外影响另一处。
• 训练中的张量要转NumPy：使用tensor.detach().cpu().numpy()。
• 只需要一个数：确认张量只有一个元素，再调用item()。

转换之前先问自己一个问题：我希望转换后的对象与原对象共享数据，还是各自独立？