【PyTorch】张量转Numpy

【PyTorch】张量转Numpy

一、常用 4 种方式（按推荐优先级排序）

1. 最标准：.detach().numpy()​ ✅ 首选

适合：有梯度、计算图里的张量

python

运行

import torch

x = torch.randn(3,4, requires_grad=True)
arr = x.detach().numpy()

• ​.detach()：脱离计算图，切断梯度关联
• 安全不报错，日常开发、模型推理必用

2. 先关梯度再转：.cpu().numpy()

适合：GPU 上的张量

python

运行

# 张量在GPU
x = torch.randn(3,4).cuda()
arr = x.cpu().numpy()

• 必须先挪到 CPU，GPU 张量不能直接转 numpy

3. 无梯度直接转：.numpy()

适合：不需要梯度、普通 CPU 张量

python

运行

x = torch.randn(3,4)
arr = x.numpy()

• 注意：带 requires_grad=True​ 直接 .numpy()​ 会报错

4. 万能兜底：tensor.numpy(force=True)（PyTorch 1.13+）

python

运行

x = torch.randn(3,4, requires_grad=True)
arr = x.numpy(force=True)

• ​force=True 强制脱离计算图转 numpy
• 懒人写法，不用写 .detach()

二、容易踩的坑

1. GPU 张量不能直接 .numpy () 报错：can't convert cuda tensor to numpy解决：先 .cpu()
2. 带梯度张量直接 .numpy () 报错解决：加 .detach()​ 或 force=True
3. 共享内存张量转 numpy 后，修改 numpy 数组会同步改原张量想断开关联：arr = x.detach().numpy().copy() 深拷贝

---

三、一句话总结

• 普通有梯度 CPU： .detach().numpy()
• GPU 张量： .cpu().detach().numpy()
• 懒人简写： .numpy(force=True)