【PyTorch实战：Tensor】4、NumPy与PyTorch Tensor指南：深度学习中的数据操作与转换

一、NumPy与PyTorch的紧密关系

1.1 为什么需要同时掌握NumPy和PyTorch？

在深度学习领域，NumPy和PyTorch是两个不可或缺的工具，它们之间存在着天然的协作关系：

• NumPy：是Python科学计算的基石，提供了强大的多维数组操作能力，适合数据预处理、分析和可视化
• PyTorch：构建在NumPy理念之上，增加了GPU加速和自动求导功能，适合模型训练和推理

1.2 核心概念对应关系

二、NumPy在深度学习中的关键应用

2.1 图像处理与数据加载

深度学习项目通常始于数据加载和预处理，NumPy在这里发挥着重要作用：

import numpy as np
from PIL import Image
import cv2

# 使用Pillow读取图像（RGB通道顺序）
def load_image_pillow(path):
    im = Image.open(path)
    im_array = np.array(im)  # 转换为NumPy数组
    print(f"图像形状: {
     
     im_array.shape}, 数据类型: {
     
     im_array.dtype}")
    return im_array

# 使用OpenCV读取图像（BGR通道顺序）
def load_image_opencv(path):
    im_array = cv2.imread(path)  # 直接得到NumPy数组
    im_array = cv2.cvtColor(im_array, cv2.COLOR_BGR2RGB)  # 转换为RGB
    print(f"图像形状: {
     
     im_array.shape}, 数据类型: {
     
     im_array.dtype}")
    return im_array

# 图像归一化处理
def normalize_image(image):
    # 转换为float32并缩放到[0,1]范围
    normalized = image.astype(np.float32) / 255.0
    # 或者缩放到[-1,1]范围
    # normalized = (image.astype(np.float32) / 127.5) - 1.0
    return normalized

2.2 数组操作与广播机制

广播机制是NumPy和PyTorch中最强大的特性之一，它允许不同形状的数组进行数学运算：

# 广播机制示例
def demonstrate_broadcasting():
    # 示例1: 向量 + 标量
    vector = np.array([1, 2,