pytorch的tensor和numpy和ndarray可以说是每一个深度学习工程师必须熟悉的基础工具，而这两个用法相近，但又有部分差异的“轮子”，网上却没有一篇详细的博客进行总结和对比，因此在这里进行记录和整理，希望本文能够帮助各位同学和自己对pytorch和numpy的API加深的理解，并在运用时能做到信手拈来。
Pytorch API Document：https://pytorch.org/docs/stable/index.html
Numpy API Document：https://numpy.org/doc/stable/reference/index.html
0. Tensor和Ndarray有什么区别？
此处借鉴几位优秀博主的回答：
接下来进入正式的总结阶段：
1. 变量基础定义API
1.1 基础变量
| Tensor | (nd)Array | Similarities | differences | Function/Example |
|---|
torch.tenosr(data, dtype=None, device=None, requires_grad=False) | numpy.array(data, dtype=None) | 都可以对dtype进行定义 | Tensor可以同时在CPU和GPU上，而ndarray只能在CPU上；同时Tensor具有梯度 | 该函数具有的额外参数以下函数均具有，下面不再赘述 |
1.2 常用构造变量（ones）
| Tensor | (nd)Array | Similarities | differences | Function/Example |
|---|
torch.ones(size) | numpy.ones(shape) | 这里的size和shape都是指list/tuple的sequence | | 构建全 1 array/Tensor |
torch.zeros(size) | numpy.zeros(shape) | | | 全0Tensor |
torch.full(size, fill_value) | numpy.full(shape, fill_value) | 都通过fill_value来实现某个数值的填充 | | 全fill_valuearray/Tensor |
torch.eye(n, m=None) | numpy.eye(N, M=None) | n都代表默认列数，如果没有m，则行也为m | | 对角线为1，其他为0的单位2D array/Tensor |
| X | numpy.identity(n) | | | 对角线为1，行列相等的单位阵 |
torch.empty(size) | numpy.empty(shape) | | | 全为uninitialized data的array/Tensor（即0或者接近0的数） |
1.3 常用构造变量（ones_like）
| Tensor | (nd)Array | Tensor Params | Ndarray Params | Function/Example |
|---|
torch.empty_like(input) | numpy.empty_like(prototype) | input：Tensor或者size | prototype：array like，即所有具有array形式的变量，例如ndarray、list、tuple | - numpy: a = ([1,2], [4,5]); a = np.array([[1., 2.],[4.,5.]]); np.empty_like(a)； - torch: a=torch.empty((2,3)); torch.empty_like(a) |
torch.ones_like(size) | numpy.ones_like(shape) | | | |
torch.zeros_like(size) | numpy.zeros_like(shape) | | | |
torch.full_like(size, fill_value) | numpy.full_like(shape, fill_value) | | | |
- 额外提示：
Tensor可以使用Tensor.new_xxxx快速实现额外参数（包括：dtype、device、requires_grad）全部相同的新变量，例如：
>>> tensor = torch.tensor((), dtype=torch.int32, device="cuda")
>>> tensor.new_ones((2, 3))
tensor([[ 1, 1, 1],
[ 1, 1, 1]], dtype=torch.int32, device="cuda")
2. 基础维度操作API
2.1 更换维度或者变换shape
| Tensor | (nd)Array | Tensor Params | Ndarray Params | Function/Example |
|---|
torch.reshape(input, shape) \ Tensor.reshape(shape) | numpy.reshape(a, newshape) \ ndarray.reshape(new_shape) | | | 按照给定的新维度变换维度 |
torch.resize(input, shape) \ Tensor.resize(shape) | numpy.resize(a, newshape) \ ndarray.resize(new_shape) | | 输入参数可以是tuple，也可以是n个int，参考Numpy Example | 按照给定的新维度变换维度 |
torch.transpose(input, dim0, dim1) \ Tensor.transpose(dim0, dim1) | numpy.swapaxes(a, axis1, axis2) \ ndarray.swapaxes(axis1, axis2) | 输入为需要交换的两个维度，参考Torch Example | 输入为需要交换的两个维度，参考Numpy Example | 交换某两个维度 |
torch.permute(input, dims) \ Tensor.permute(*dims) | numpy.transpose(a, axes=None) \ ndarray.transpose(*axes) | dims：最终tensor的shape，可以是tuple，也可以是n个int，参考Torch Example | axes：可以是tuple，也可以是n个int，若未指定，则反向交换维度；参考Numpy Example | 交换某两个维度 |
2.2 增加或减少某一维
| Tensor | (nd)Array | Tensor Params | Ndarray Params | Function/Example |
|---|
torch.squeeze(input, dim=None) \ tensor.squeeze(dim=None) | numpy.squeeze(a, axis=None) \ ndarray.squeeze(axis=None) | | | 去除某一为1的维度 |
torch.unsqueeze(input, dim=None) \ tensor.unsqueeze(dim=None) | numpy.unsqueeze(a, axis=None) \ ndarray.unsqueeze(axis=None) | | | 指定增加某一维度 |
| X | numpy.expand_dims(a, axis) | | | 指定增加某一维度 |
2.3 合并多个Tensor或Ndarray
| Tensor | (nd)Array | Tensor Params | Ndarray Params | Function/Example |
|---|
tensor.stack(tensors, dim=0) | numpy.stack(arrays, axis=0) | tensors：用list装起来的tensor | arrays ：用list装起来的array_like(array, list)的变量 | 在指定维度新建一维，合并tensor/ array |
torch.cat(tensors, dim=0) \ torch.concatenate(tensors, dim=None) | numpy.concatenate((a1, a2, ...), axis=0 | | | 在指定维度直接合并tensor/ array |
- 其他类似的更多函数：
numpy.hstack、numpy.vstack、numpy.dstack、
2.4 分离多个Tensor或Ndarray
- 其他类似的更多函数：
numpy：numpy.split、numpy.hsplit、numpy.vsplit、numpy.dsplit
3. 基础运算API
待更…
4. 操作矩阵API
4.1 roll
| Tensor | (nd)Array | Tensor Params | Ndarray Params | Function/Example |
|---|
torch.roll(input, shifts, dims=None) | numpy.roll(a, shift, axis=None) | shift和dims可以是int或者list/tuple | 参数与Pytorch相同 | 在指定维度滚动shifts步，移位多出来的部分补齐到前边，类似于一个闭合圆，不断循环。 |
>>> x = np.arange(10)
>>> np.roll(x, 2)
array([8, 9, 0, 1, 2, 3, 4, 5, 6, 7])
>>> np.roll(x, -2)
array([2, 3, 4, 5, 6, 7, 8, 9, 0, 1])
4.2 flip
| Tensor | (nd)Array | Tensor Params | Ndarray Params | Function/Example |
|---|
torch.flip(input, dims) | numpy.flip(a, axis) | dims是 list/tuple | 参数与Pytorch相同 | 在指定维度反转数据 |
4.3 repeat
| Tensor | (nd)Array | Tensor Params | Ndarray Params | Function/Example |
|---|
Tensor.repeat(sizes) | numpy.repeat(a, axis) | sizes是 list/tuple，所有维度需要重复的次数，如果不变则为0 | a为操作对象，axis为需要操作的维度 | 在指定维度复制数据 |