NumPy లైబ్రరీ డిఫాల్ట్‌గా GPU త్వరణానికి మద్దతు ఇవ్వదు. దీనర్థం NumPy కార్యకలాపాలు మెమరీ మరియు CPU వేగం ద్వారా నిరోధించబడతాయి. పెద్ద-స్థాయి డేటా విశ్లేషణ మరియు సంక్లిష్ట గణనలకు ఇది ఒక లోపం. అయితే, PyTorch టెన్సర్‌లు సంఖ్యా గణనలను వేగవంతం చేయడానికి GPUని ఉపయోగిస్తాయి. డేటా ఎక్కువగా ఉన్న డీప్ లెర్నింగ్ అప్లికేషన్‌లకు ఇది చాలా అవసరం. ఈ ఫీచర్ యొక్క ప్రయోజనాన్ని పొందడానికి మరియు మెషిన్-లెర్నింగ్ మోడల్స్ పనితీరును మెరుగుపరచడానికి వినియోగదారులు NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చవచ్చు.
ఈ బ్లాగ్ NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చే పద్ధతులను వివరిస్తుంది.
NumPy అర్రేని PyTorch టెన్సర్‌గా మార్చడం/మార్పు చేయడం ఎలా?
NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చడానికి/రూపాంతరం చేయడానికి, రెండు పద్ధతులను ఉపయోగించవచ్చు:
- విధానం 1: “torch.from_numpy()” ఫంక్షన్‌ని ఉపయోగించడం
- విధానం 2: “torch.tensor()” ఫంక్షన్‌ని ఉపయోగించడం
విధానం 1: “torch.from_numpy()” ఫంక్షన్‌ని ఉపయోగించి NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చండి/రూపాంతరం చేయండి
NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చడానికి, వినియోగదారులు “torch.from_numpy()” ఫంక్షన్‌ని ఉపయోగించవచ్చు. దశల వారీ సూచనలు క్రింద ఇవ్వబడ్డాయి:
దశ 1: అవసరమైన లైబ్రరీలను దిగుమతి చేయండి
ముందుగా, కావలసిన 'టార్చ్' మరియు 'నంపీ' లైబ్రరీలను దిగుమతి చేయండి:
దిగుమతి టార్చ్ # టార్చ్ లైబ్రరీని దిగుమతి చేస్తోంది
దిగుమతి np # NumPy లైబ్రరీని దిగుమతి చేస్తోంది
దశ 2: ఒక NumPy అర్రేని రూపొందించండి
అప్పుడు, ఒక సాధారణ NumPy శ్రేణిని సృష్టించండి. ఉదాహరణకు, మేము క్రింది NumPy శ్రేణిని సృష్టించాము మరియు దానిని ''లో నిల్వ చేసాము. num_array ”వేరియబుల్:
దశ 3: నంపీ అర్రేని పైటార్చ్ టెన్సర్‌గా మార్చండి
ఇప్పుడు, 'ని ఉపయోగించండి torch.from_numpy() 'పైన సృష్టించబడిన NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చడానికి మరియు దానిని వేరియబుల్‌గా నిల్వ చేయడానికి ఫంక్షన్. ఇక్కడ, మేము ఉపయోగించాము ' పై_టెన్సర్ మార్చబడిన NumPy శ్రేణిని నిల్వ చేయడానికి వేరియబుల్:
పై_టెన్సర్ = మంట. నుండి_numpy ( num_array )
దశ 4: ప్రింట్ అవుట్‌పుట్
చివరగా, ప్రింట్ ' పై_టెన్సర్ ”టెన్సర్:
ఇది NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చింది:
గమనిక : ఒక వినియోగదారు NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చడానికి “torch.from_numpy()” ఫంక్షన్‌ని ఉపయోగిస్తే, ఫలితంగా వచ్చే PyTorch టెన్సర్ అసలు Numpy శ్రేణికి లింక్ చేయబడుతుంది మరియు అదే మెమరీని ఉపయోగిస్తుంది. అందువల్ల, టెన్సర్‌కు ఏవైనా మార్పులు చేసిన/వర్తింపబడినా కూడా వాస్తవ శ్రేణిపై ప్రభావం చూపుతుంది. ఈ ప్రవర్తనను నివారించడానికి, “torch.tensor()” ఫంక్షన్‌ని ఉపయోగించండి.
విధానం 2: “torch.tensor()” ఫంక్షన్‌ని ఉపయోగించి NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చండి/రూపాంతరం చేయండి
NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చడానికి, వినియోగదారులు “torch.tensor()” ఫంక్షన్‌ని ఉపయోగించవచ్చు. దశల వారీ సూచనలు క్రింద ఇవ్వబడ్డాయి:
దశ 1: లైబ్రరీలను దిగుమతి చేయండి
ముందుగా, అవసరమైన వాటిని దిగుమతి చేసుకోండి ' మంట 'మరియు' మొద్దుబారిన 'లైబ్రరీలు:
దిగుమతి np వలె numpy
దశ 2: ఒక NumPy అర్రేని రూపొందించండి
ఆ తర్వాత, ఒక NumPy శ్రేణిని సృష్టించండి. ఉదాహరణకు, మేము క్రింది NumPy శ్రేణిని సృష్టించాము మరియు దానిని ''లో నిల్వ చేసాము. num_array ”వేరియబుల్:
దశ 3: NumPy అర్రేని PyTorch టెన్సర్‌గా మార్చండి
అప్పుడు, NumPy శ్రేణిని పైటార్చ్ టెన్సర్‌గా మార్చండి “ torch.from_numpy() ” ఫంక్షన్ చేసి దానిని వేరియబుల్‌లో నిల్వ చేయండి. ఇక్కడ, మేము ఉపయోగించాము ' పై_టెన్సర్ మార్చబడిన NumPy శ్రేణిని నిల్వ చేయడానికి వేరియబుల్:
దశ 4: ప్రింట్ అవుట్‌పుట్
చివరగా, ప్రింట్ చేయండి “పై_టెన్సర్” టెన్సర్:
అలా చేయడం ద్వారా, NumPy శ్రేణి PyTorch టెన్సర్‌గా మార్చబడింది:
గమనిక : మీరు ఇందులో మా Google Colab నోట్‌బుక్‌ని యాక్సెస్ చేయవచ్చు లింక్ .
మేము NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చే పద్ధతులను సమర్థవంతంగా వివరించాము.
ముగింపు
NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చడానికి/రూపాంతరం చేయడానికి, ముందుగా అవసరమైన లైబ్రరీలను దిగుమతి చేయండి. అప్పుడు, ఒక సాధారణ NumPy శ్రేణిని సృష్టించి, దానిని నిర్దిష్ట వేరియబుల్‌లో నిల్వ చేయండి. ఆ తర్వాత, 'ని ఉపయోగించండి torch.from_numpy() 'లేదా' torch.tensor() ” NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చడానికి మరియు దానిని ప్రింట్ చేయడానికి ఫంక్షన్. ఈ బ్లాగ్ NumPy శ్రేణిని PyTorch టెన్సర్‌గా మార్చడానికి/మార్పు చేయడానికి రెండు పద్ధతులను వివరించింది.