pytorch如何实现张量tensor,图片,CPU,GPU,数组的转换

小编给大家分享一下pytorch如何实现张量tensor,图片,CPU,GPU,数组的转换，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

1, 创建pytorch 的Tensor张量：

torch.rand((3,224,224)) #创建随机值的三维张量，大小为（3,224,224）
 
torch.Tensor([3,2]) #创建张量，[3,2]

2, cpu上的tensor和GPU即pytorch创建的tensor的相互转化

b = a.cpu() # GPU → CPU
 
a = b.cuda() #CPU → GPU

3, tensor和numpy的转化

b = a.numpy() # tensor转化为 numpy数组
 
a = b.from_numpy() # numpy数组转化为tensor

4, torch的GPU tensor保存为图片

import scipy.misc
 
scipy.misc.imsave(‘pic_name',img) #img为二维张量，比如（224,224），保存为黑白图

5, 堆叠矩阵，形成彩色图片

img = np.stack((ia,b,c),dim) #堆叠矩阵a,b,c 可用于三通道图像的保存 dim表示要增加的维度，
#比如a,b,c均为（224,224）大小的矩阵，那么令dim=-1，则 img的维度为（224,224,3)

6, 从numpy数组保存图片

from PIL import Image
 
im = Image.fromarray(A)
 
im.save("your_file.jpeg")

7, 读取图片为矩阵:

import matplotlib.image
im = matplotlib.image.imread('0_0.jpg')

8, 保存矩阵为图片:

import numpy as np
import scipy.misc
 
x = np.random.random((600,800,3))
scipy.misc.imsave('meelo.jpg', x)

pytorch的优点

1.PyTorch是相当简洁且高效快速的框架；2.设计追求最少的封装；3.设计符合人类思维，它让用户尽可能地专注于实现自己的想法；4.与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新；5.PyTorch作者亲自维护的论坛 供用户交流和求教问题6.入门简单

以上是“pytorch如何实现张量tensor,图片,CPU,GPU,数组的转换”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！