我们使用TensorFlow、pytorch等机器学习库的时候，经常涉及到要把输入的数据集转为tensor型，而且模型输出的结果也会是tensor型的。
事实上，tensor与numpy虽然都是用来表示多维数组的，但是tensor弥补了numpy不能创建张量函数和求导，也不支持GPU的缺陷。可以说，tensor数据类型主要就是为了深度学习而生的。
因为TensorFlow已经逐渐过时了，我现在主要使用的也是pytorch，所以下面就主要以pytorch为例，来展示一下tensor数据与numpy的转换吧~
假设我们已经用pytorch训练好了一个模型，名为model，用它来生成图片分类结果，那么它输出的预测结果pred，就是tensor型的，pred_np就是将其转为numpy格式的结果。
代码语言：javascript复制from torch.autograd import Variable
for i, (images,labels) in enumerate(val_loader):
images = Variable(images.cuda())
output = model(images)
prob, pred = output.topk(maxk, 1, True, True)
pred_np = pred.cpu().detach().numpy()我们来看一下tensor类型的pred长什么样子：
这里的device='cuda:0'昭示了我用得起GPU的满满的炫耀。
pred.cpu().detach().numpy()就是把GPU下tensor类型的pred，转为CPU下的numpy格式：
tensor型的数据，是不能像numpy一样直接进行加减乘除各种运算的，以pytorch框架为例，它的很多运算都必须在torch框架下才可以。比如相加是torch.add()，相除是torch.div()，求绝对值是torch.abs()，求幂是torch.pow()，等等。不过关于tensor的计算，我们实际当中应用的很少，更多的是把模型输出的tensor型的结果，转化为numpy的数值，方便后面的操作，比如说，将模型的分类结果整合到pandas数组里面，集中进行展示：
代码语言：javascript复制import pandas as pd
import glob
defect_label_order = ['强降水', '冰雹', '大风']
# 与中文标记一一对应
defect_code = {
0: '强降水',
1: '冰雹',
2: '大风',
}
result_list = glob.glob(opt.img_root_val "/*.png")
result_pd = pd.DataFrame(result_list, columns=["ImageName"])
# 获取文件名称
result_pd["file_name"]=result_pd["ImageName"].apply(lambda x:x.split("/")[-1])
# 获取预测分类的数字
result_pd["pred_num"] = pred_np
# 将数字标记转化为标签名称
result_pd["result"]=result_pd["pred_num"].apply(lambda x:defect_code[x])
print(result_pd)这样，对于每个样本的分类结果就可以直观地直接print到屏幕上：
