numpy总结

numpy其实就是多维数组，numpy比较重要的几个性质包括：索引切片、矩阵运算等。很多数据，例如cv2读取的图像数据都是保存为numpy格式的，所以numpy非常重要。值得注意的是，在深度学习中，pytorch框架的torch和numpy非常类似，又存在诸多不同，非常容易造成混淆，所以在掌握numpy的同时也需要掌握torch的相关用法，明确两者之间的区别。以下内容将通过对比numpy和torch来进行。

numpy和torch的互相转换

在pytorch中提供了对应的支持。

numpy转torch

import torch
import numpy as np
arr = np.array([1,2,3], dtype=float)
# 转为torch
arr2torch = torch.from_numpy(arr)

torch转numpy

import torch
import numpy as np
torch_my = torch.tensor([1,2,3])
# 转为torch
torch2arr = torch_my.numpy()

切片和索引

切片和索引，numpy与torch相同，当然他们还包括一些对应的与切片筛选操作对应的函数，例如：torch.select_index(), torch.nonzero()等。

矩阵运算

两者也差不多咯。
numpy, torch

注意事项

NumPy和torch在赋值的时候是进行引用赋值！

>>> import numpy as np
>>> import torch
>>> a = np.array([1,2,3,4])
>>> b=a
>>> b[0]=100
>>> a
array([100,   2,   3,   4])
>>>

如上所示，NumPy和torch赋值，进行引用赋值，类似指针效果。所以如果是想要进行单独的值赋值需要进行copy或者clone运算。

NumPy copy

>>> import numpy as np
>>> import torch
>>> a = np.array([1,2,3,4])
>>> b=a
>>> b[0]=100
>>> a
array([100,   2,   3,   4])
>>> c=b.copy()
>>> c[0]=200
>>> b
array([100,   2,   3,   4])
>>>

torch clone

>>> import torch
>>> a=torch.Tensor([1,2,3,4])
>>> b=a
>>> b[0]=100
>>> a
tensor([100.,   2.,   3.,   4.])
>>> c=b.clone()
>>> c[0]=200
>>> b
tensor([100.,   2.,   3.,   4.])
>>>

np.where

numpy.where (condition[, x, y])
两种用法，第一种将满足条件的按指定输出，第二种将满足条件的索引输出；
此处主要讨论第二种：形如 np.where(condition)，其中condition可以是数组。其输出形式为满足条件的索引（condition为数组时，即数组元素非0即为True），但是索引的输出形式为：按判断的数组维数，输出对应个数的一维数组。（也就是每个数组对应一个维度的索引）