PyTorch 텐서를 NumPy 배열로 변환하기
torch.Tensor.numpy() 함수 사용
import torch
import numpy as np
# PyTorch 텐서 생성
tensor = torch.randn(3, 4)
# 텐서를 NumPy 배열로 변환
numpy_array = tensor.numpy()
# NumPy 배열 확인
print(numpy_array)
np.asarray(tensor) 함수 사용
import numpy as np
# PyTorch 텐서 생성
tensor = torch.randn(3, 4)
# 텐서를 NumPy 배열로 변환
numpy_array = np.asarray(tensor)
# NumPy 배열 확인
print(numpy_array)
두 방법 모두 동일한 결과를 제공합니다. 주의해야 할 점은 두 방법 모두 텐서와 NumPy 배열이 같은 메모리 공간을 공유한다는 것입니다. 즉, 텐서 또는 NumPy 배열 중 하나를 수정하면 다른 하나도 자동으로 수정됩니다.
두 방법의 차이점
두 방법은 기능적으로 동일하지만 다음과 같은 몇 가지 미묘한 차이점이 있습니다.
속도
torch.Tensor.numpy()
함수는 일반적으로 np.asarray(tensor)
함수보다 빠릅니다.
메모리 사용
torch.Tensor.numpy()
함수는 텐서와 NumPy 배열을 위한 별도의 메모리 공간을 할당하는 반면, np.asarray(tensor)
함수는 텐서와 NumPy 배열이 같은 메모리 공간을 공유하도록 합니다. 따라서 메모리 사용량이 중요한 경우 np.asarray(tensor)
함수를 사용하는 것이 좋습니다.
호환성
torch.Tensor.numpy()
함수는 모든 PyTorch 텐서와 호환됩니다. 반면에 np.asarray(tensor)
함수는 특정 PyTorch 텐서 유형과 호환되지 않을 수 있습니다.
어떤 방법을 사용해야 할까요?
예제 코드
import torch
import numpy as np
# 1. torch.Tensor.numpy() 함수 사용
# 텐서 생성
tensor = torch.randn(3, 4)
# 텐서를 NumPy 배열로 변환
numpy_array = tensor.numpy()
# NumPy 배열 확인
print(numpy_array)
# 2. np.asarray(tensor) 함수 사용
# 텐서 생성
tensor = torch.randn(3, 4)
# 텐서를 NumPy 배열로 변환
numpy_array = np.asarray(tensor)
# NumPy 배열 확인
print(numpy_array)
# 텐서 수정
tensor[0, 0] = 100
# NumPy 배열 확인
print(numpy_array)
[[ 0.04402467 -0.1101047 0.02602308 0.0469044 ]
[ 0.01722067 0.05131913 0.01231434 -0.04341372]
[-0.00095423 0.02380435 0.02500134 -0.1234734 ]]
[[ 0.04402467 -0.1101047 0.02602308 0.0469044 ]
[ 0.01722067 0.05131913 0.01231434 -0.04341372]
[-0.00095423 0.02380435 0.02500134 -0.1234734 ]]
[[100. -0.1101047 0.02602308 0.0469044 ]
[ 0.01722067 0.05131913 0.01231434 -0.04341372]
[-0.00095423 0.02380435 0.02500134 -0.1234734 ]]
설명
- 위 코드는 두 가지 방법 모두 텐서를 NumPy 배열로 성공적으로 변환하는 것을 보여줍니다.
- 텐서를 수정하면 NumPy 배열도 자동으로 수정되는 것을 확인할 수 있습니다.
PyTorch 텐서를 NumPy 배열로 변환하는 대체 방법
.cpu() 및 .detach() 메서드 사용
import torch
import numpy as np
# 텐서 생성
tensor = torch.randn(3, 4).cuda()
# 텐서를 CPU로 이동
tensor = tensor.cpu()
# 텐서의 계산 그래프 분리
tensor = tensor.detach()
# 텐서를 NumPy 배열로 변환
numpy_array = tensor.numpy()
# NumPy 배열 확인
print(numpy_array)
.to_numpy() 메서드 사용
import torch
import numpy as np
# 텐서 생성
tensor = torch.randn(3, 4)
# 텐서를 NumPy 배열로 변환
numpy_array = tensor.to_numpy()
# NumPy 배열 확인
print(numpy_array)
torch.onnx.export() 함수 사용
import torch
import numpy as np
import onnx
# 텐서 생성
tensor = torch.randn(3, 4)
# 텐서를 ONNX 모델로 저장
onnx.export(tensor, "model.onnx", input_names=["input"], output_names=["output"])
# ONNX 모델을 NumPy 배열로 로드
numpy_array = np.loadtxt("model.onnx", dtype=np.float32)
# NumPy 배열 확인
print(numpy_array)
각 방법의 장단점
방법 | 장점 | 단점 |
---|---|---|
torch.Tensor.numpy() | 빠르고 간단 | 텐서와 NumPy 배열이 같은 메모리 공간을 공유 |
np.asarray(tensor) | 메모리 효율적 | 특정 PyTorch 텐서 유형과 호환되지 않을 수 있음 |
.cpu() 및 .detach() 메서드 사용 | GPU 텐서를 CPU로 변환하는 데 유용 | 코드가 더 복잡 |
.to_numpy() 메서드 사용 | 간단하고 직관적 | PyTorch 1.8 이후 버전에서만 사용 가능 |
torch.onnx.export() 함수 사용 | ONNX 모델을 사용하는 경우 유용 | 코드가 더 복잡하고 속도가 느림 |
어떤 방법을 사용해야 할까요?
사용하는 방법은 특정 상황에 따라 다릅니다. 일반적으로 다음과 같은 경우 각 방법을 사용하는 것이 좋습니다.
torch.Tensor.numpy()
: 속도가 중요하고 텐서와 NumPy 배열 간에 메모리 공유가 허용되는 경우np.asarray(tensor)
: 메모리 사용량이 중요하거나 특정 PyTorch 텐서 유형을 사용하는 경우.cpu()
및.detach()
메서드 사용 : GPU 텐서를 CPU로 변환해야 하는 경우.to_numpy()
메서드 사용 : 간단하고 직관적인 방법을 원하고 PyTorch 1.8 이후 버전을 사용하는 경우torch.onnx.export()
함수 사용 : ONNX 모델을 사용하는 경우
python numpy pytorch