1. NumPy 和 PyTorch Tensor 的格式對比

NumPy 使用的是 numpy.ndarray，而 PyTorch 使用的是 torch.Tensor，兩者的格式在數據存儲和計算方式上有所不同。

NumPy (numpy.ndarray)

import numpy as np
array = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(array.shape)  # 輸出: (2, 3)
print(type(array))  # <class 'numpy.ndarray'>

• 存儲格式：數據存儲在 CPU 內存中，默認是 float64。
• 索引方式：與 Python list 類似，可以用 array[i, j] 訪問元素。
• 操作方式：可以用 np.min(array, axis=0) 計算最小值，支持廣播計算。

PyTorch (torch.Tensor)

import torch
tensor = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(tensor.shape)  # 輸出: torch.Size([2, 3])
print(type(tensor))  # <class 'torch.Tensor'>

• 存儲格式：可以在 CPU 或 GPU（通過 .cuda()）上存儲，默認是 float32。
• 索引方式：與 NumPy 相同，例如 tensor[i, j] 訪問元素。
• 操作方式：支持 torch.min(tensor, dim=0)，但也支持梯度計算。

---

2. NumPy 和 Tensor 主要區別

特性	NumPy (numpy.ndarray)	PyTorch (torch.Tensor)
存儲位置	僅支持 CPU	支持 CPU 和 GPU（tensor.cuda()）
數據類型	默認 float64	默認 float32（更快）
自動求導	不支持	支持（requires_grad=True）
計算庫	只依賴 NumPy	可用 GPU 加速（CUDA）
轉換方式	.astype(np.float32)	.to(torch.float32)

---

3. NumPy 和 Tensor 互相轉換

Tensor 轉 NumPy

tensor = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
array = tensor.numpy()  # 轉換為 NumPy
print(type(array))  # <class 'numpy.ndarray'>

? 注意：轉換后的 NumPy 數組和原始 Tensor 共享內存，修改其中一個會影響另一個。

NumPy 轉 Tensor

array = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
tensor = torch.from_numpy(array)  # 轉換為 Tensor
print(type(tensor))  # <class 'torch.Tensor'>

? 注意：轉換后的 Tensor 仍然在 CPU，如果要在 GPU 計算，需要 .to(device)。

如果 NumPy 數組在 GPU 上使用：

tensor = torch.from_numpy(array).to('cuda')

總結

1. NumPy (numpy.ndarray) 只在 CPU 上計算，數據格式是 float64，不支持自動求導。
2. PyTorch Tensor (torch.Tensor) 支持 GPU 加速，默認 float32，可以自動求導。
3. 互相轉換：
   • tensor.numpy() 轉 NumPy（共享內存）。
   • torch.from_numpy(array) 轉 Tensor（仍然在 CPU）。
   • tensor.to('cuda') 讓 Tensor 運行在 GPU 上。