AI 解读由 AI 自动生成，仅供参考

pytorch-for-numpy-users 是一份专为熟悉 NumPy 的开发者打造的 PyTorch 快速迁移指南。对于许多从传统科学计算或机器学习入门的用户而言，NumPy 是处理数组的核心工具，而转向深度学习框架 PyTorch 时，往往需要重新记忆大量的 API 名称和数据类型定义，这构成了不小的学习门槛。

这份开源资源精准地解决了这一痛点，它通过清晰的对照表形式，将 NumPy 中的常用操作（如数组创建、数据类型转换、矩阵运算等）与 PyTorch 中的对应函数一一映射。无论是基础的 np.ndarray 对应 torch.Tensor，还是复杂的 np.zeros_like 对应 torch.zeros_like，用户都能在此找到直观的答案。其独特的技术亮点在于内容的高度结构化与自动化维护，确保了代码示例始终适配最新版本的 PyTorch 和 NumPy，避免了因版本迭代导致的文档过时问题。

该工具非常适合已经掌握 NumPy 基础、希望平滑过渡到深度学习领域的研究人员、算法工程师及高校学生使用。它不只是一份简单的速查表，更是一座连接经典数值计算与现代深度学习框架的桥梁，帮助用户将精力集中在模型逻辑本身，而非繁琐的语法记忆中，从而高效地完成技术栈的升级。

使用场景

一位习惯使用 NumPy 进行数据预处理的数据科学家，在尝试将现有代码迁移到 PyTorch 深度学习框架时遇到了语法障碍。

没有 pytorch-for-numpy-users 时

思维转换成本高：开发者必须频繁查阅文档，才能记住 np.array 对应 torch.tensor，或 x.copy() 对应 x.clone() 等细微差异，打断编码心流。
类型映射易出错：在处理精度敏感任务时，容易混淆 np.float32 与 torch.float32（或 torch.float）的写法，导致模型训练出现隐式类型错误。
重构效率低下：将成熟的 NumPy 数据处理流水线改写为 PyTorch 版本时，需要逐行手动翻译创建全零/全一张量（如 zeros vs torch.zeros）的基础代码，耗时且枯燥。
学习曲线陡峭：团队中擅长数值计算但不熟悉深度学习的成员，因不熟悉 PyTorch 特有的 API 命名习惯而产生畏难情绪，阻碍技术栈统一。

使用 pytorch-for-numpy-users 后

实现无缝思维迁移：开发者可直接参照对照表，将熟悉的 NumPy 直觉瞬间转化为正确的 PyTorch 代码，无需反复确认基础 API 名称。
精准掌握类型系统：通过清晰的类型映射表（如 np.int64 对应 torch.long），快速修正数据类型定义，确保张量运算的数值稳定性。
加速代码重构进程：利用工具提供的“从现有数据创建”及“全零/全一”操作对照，几分钟内即可完成原本需数小时的数据加载层改造。
降低团队协作门槛：新成员凭借已有的 NumPy 经验，借助该指南能迅速上手 PyTorch 开发，大幅缩短项目磨合期。

pytorch-for-numpy-users 核心价值在于它充当了高效的“语法翻译器”，让开发者能复用现有的数值计算思维，以最低成本平滑过渡到 PyTorch 生态。

运行环境要求

GPU

未说明

内存

未说明

依赖

notes该工具并非独立软件，而是一份针对熟悉 NumPy 用户的 PyTorch 语法对照指南。它假设用户已安装最新版本的 PyTorch 和 NumPy。运行测试脚本需要 Python 环境及 git。无特定操作系统、GPU 或内存限制，具体取决于用户安装的 PyTorch 版本及其运行环境。

python未说明 (仅提及使用最新版)

torch (最新版)

numpy (最新版)

快速开始

PyTorch 用于 NumPy 用户。

gh-pages

Torch for Numpy users 的 PyTorch 版本。
我们假设您使用的是最新版本的 PyTorch 和 NumPy。

如何贡献？

git clone https://github.com/wkentaro/pytorch-for-numpy-users.git
cd pytorch-for-numpy-users
vim conversions.yaml
git commit -m "更新 conversions.yaml"

./run_tests.py

类型

Numpy	PyTorch
np.ndarray	torch.Tensor
np.float32	torch.float32; torch.float
np.float64	torch.float64; torch.double
np.float16	torch.float16; torch.half
np.int8	torch.int8
np.uint8	torch.uint8
np.int16	torch.int16; torch.short
np.int32	torch.int32; torch.int
np.int64	torch.int64; torch.long

全一和全零

Numpy	PyTorch
np.empty((2, 3))	torch.empty(2, 3)
np.empty_like(x)	torch.empty_like(x)
np.eye	torch.eye
np.identity	torch.eye
np.ones	torch.ones
np.ones_like	torch.ones_like
np.zeros	torch.zeros
np.zeros_like	torch.zeros_like

从现有数据创建

Numpy	PyTorch
np.array([[1, 2], [3, 4]])	torch.tensor([[1, 2], [3, 4]])
np.array([3.2, 4.3], dtype=np.float16) np.float16([3.2, 4.3])	torch.tensor([3.2, 4.3], dtype=torch.float16)
x.copy()	x.clone()
x.astype(np.float32)	x.type(torch.float32); x.float()
np.fromfile(file)	torch.tensor(torch.Storage(file))
np.frombuffer
np.fromfunction
np.fromiter
np.fromstring
np.load	torch.load
np.loadtxt
np.concatenate	torch.cat

数值范围

Numpy	PyTorch
np.arange(10)	torch.arange(10)
np.arange(2, 3, 0.1)	torch.arange(2, 3, 0.1)
np.linspace	torch.linspace
np.logspace	torch.logspace

线性代数

Numpy	PyTorch
np.dot	torch.dot # 仅限一维数组 torch.mm # 仅限二维数组 torch.mv # 矩阵-向量（2D x 1D）
np.matmul	torch.matmul
np.tensordot	torch.tensordot
np.einsum	torch.einsum

构建矩阵

Numpy	PyTorch
np.diag	torch.diag
np.tril	torch.tril
np.triu	torch.triu

属性

Numpy	PyTorch
x.shape	x.shape; x.size()
x.strides	x.stride()
x.ndim	x.dim()
x.data	x.data
x.size	x.nelement()
x.dtype	x.dtype

索引

Numpy	PyTorch
x[0]	x[0]
x[:, 0]	x[:, 0]
x[indices]	x[indices]
np.take(x, indices)	torch.take(x, torch.LongTensor(indices))
x[x != 0]	x[x != 0]

形状操作

Numpy	PyTorch
x.reshape	x.reshape; x.view
x.resize()	x.resize_
	x.resize_as_
x = np.arange(6).reshape(3, 2, 1) x.transpose(2, 0, 1) # 012 -> 201	x = torch.arange(6).reshape(3, 2, 1) x.permute(2, 0, 1); x.transpose(1, 2).transpose(0, 1) # 012 -> 021 -> 201
x.flatten	x.view(-1)
x.squeeze()	x.squeeze()
x[:, None]; np.expand_dims(x, 1)	x[:, None]; x.unsqueeze(1)

元素选择与操作

Numpy	PyTorch
np.put
x.put	x.put_
x = np.array([1, 2, 3]) x.repeat(2) # [1, 1, 2, 2, 3, 3]	x = torch.tensor([1, 2, 3]) x.repeat_interleave(2) # [1, 1, 2, 2, 3, 3] x.repeat(2) # [1, 2, 3, 1, 2, 3] x.repeat(2).reshape(2, -1).transpose(1, 0).reshape(-1) [1, 1, 2, 2, 3, 3]
np.tile(x, (3, 2))	x.repeat(3, 2)
x = np.array([[0, 1], [2, 3], [4, 5]]) idxs = np.array([0, 2]) np.choose(idxs, x) # [0, 5]	x = torch.tensor([[0, 1], [2, 3], [4, 5]]) idxs = torch.tensor([0, 2]) x[idxs, torch.arange(x.shape[1])] # [0, 5] torch.gather(x, 0, idxs[None, :])[0] # [0, 5]
np.sort	sorted, indices = torch.sort(x, [dim])
np.argsort	sorted, indices = torch.sort(x, [dim])
np.nonzero	torch.nonzero
np.where	torch.where
x[::-1]	torch.flip(x, [0])
np.unique(x)	torch.unique(x)

计算

Numpy	PyTorch
x.min	x.min
x.argmin	x.argmin
x.max	x.max
x.argmax	x.argmax
x.clip	x.clamp
x.round	x.round
np.floor(x)	torch.floor(x); x.floor()
np.ceil(x)	torch.ceil(x); x.ceil()
x.trace	x.trace
x.sum	x.sum
x.sum(axis=0)	x.sum(0)
x.cumsum	x.cumsum
x.mean	x.mean
x.std	x.std
x.prod	x.prod
x.cumprod	x.cumprod
x.all	x.all
x.any	x.any

算术与比较运算

Numpy	PyTorch
np.less	x.lt
np.less_equal	x.le
np.greater	x.gt
np.greater_equal	x.ge
np.equal	x.eq
np.not_equal	x.ne

随机数

Numpy	PyTorch
np.random.seed	torch.manual_seed
np.random.permutation(5)	torch.randperm(5)

数值运算

Numpy	PyTorch
np.sign	torch.sign
np.sqrt	torch.sqrt

PyTorch for Numpy Users 快速上手指南

本指南旨在帮助熟悉 NumPy 的开发者快速迁移到 PyTorch，通过对照表形式展示两者在数据类型、数组创建、线性代数及形状操作等方面的等价用法。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

操作系统：Linux, macOS 或 Windows
Python 版本：建议 Python 3.8 及以上
前置依赖：
- numpy (最新稳定版)
- torch (最新稳定版，建议包含 CUDA 支持以加速计算)

国内加速建议：推荐使用清华源或阿里源安装依赖，以提升下载速度：
pip install numpy torch -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

本项目主要是一份参考文档（Cheat Sheet），无需单独安装库即可使用其中的对照知识。若您想贡献内容或运行本地测试，可克隆仓库：

git clone https://github.com/wkentaro/pytorch-for-numpy-users.git
cd pytorch-for-numpy-users

若需运行测试验证转换规则：

./run_tests.py

基本使用

核心用法是将您熟悉的 NumPy 代码直接映射为对应的 PyTorch 代码。以下是常用场景的快速对照示例。

1. 导入与基础类型

import numpy as np
import torch

# NumPy: 创建数组
x_np = np.array([1, 2, 3], dtype=np.float32)

# PyTorch: 创建张量 (等价操作)
x_pt = torch.tensor([1, 2, 3], dtype=torch.float32) 
# 或者简写为: torch.tensor([1, 2, 3], dtype=torch.float)

2. 创建特殊矩阵 (Ones and Zeros)

# NumPy
zeros_np = np.zeros((2, 3))
ones_np = np.ones_like(x_np)
eye_np = np.eye(3)

# PyTorch (函数名基本一致)
zeros_pt = torch.zeros(2, 3)
ones_pt = torch.ones_like(x_pt)
eye_pt = torch.eye(3)

3. 形状操作 (Shape Manipulation)

# NumPy: 重塑与转置
x_np = np.arange(6).reshape(3, 2)
transposed_np = x_np.T # 或 x_np.transpose(1, 0)

# PyTorch: view/reshape 与 permute
x_pt = torch.arange(6).reshape(3, 2)
# view 和 reshape 类似，permute 用于多维转置
transposed_pt = x_pt.t() # 2D 转置
# 多维转置: x_pt.permute(1, 0)

# NumPy: 增加维度
expanded_np = x_np[:, None] 

# PyTorch: unsqueeze
expanded_pt = x_pt.unsqueeze(1)

4. 线性代数 (Linear Algebra)

# NumPy
a_np = np.array([[1, 2], [3, 4]])
b_np = np.array([[5, 6], [7, 8]])
dot_np = np.dot(a_np, b_np) # 或 np.matmul

# PyTorch
a_pt = torch.tensor([[1, 2], [3, 4]])
b_pt = torch.tensor([[5, 6], [7, 8]])
# torch.mm 仅用于 2D, torch.matmul 通用
dot_pt = torch.matmul(a_pt, b_pt)

5. 索引与切片 (Indexing)

大部分切片语法完全通用：

# 通用语法
val = x_pt[0]       # 第一个元素
col = x_pt[:, 0]    # 第一列
mask = x_pt[x_pt > 0] # 布尔索引

# 差异点：take 操作
# NumPy: np.take(x, indices)
# PyTorch: torch.take(x, torch.LongTensor(indices))

6. 属性访问 (Attributes)

功能	NumPy	PyTorch
形状	`x.shape`	`x.shape` 或 `x.size()`
维度数	`x.ndim`	`x.dim()`
数据类型	`x.dtype`	`x.dtype`
元素总数	`x.size`	`x.nelement()`
步长	`x.strides`	`x.stride()`

通过以上对照，您可以迅速将现有的 NumPy 数据处理逻辑转换为 PyTorch 张量操作，从而利用 GPU 加速和自动微分功能进行深度学习开发。

常见问题

PyTorch 中是否有类似 NumPy 的 tensor.shape 属性？

为什么我的测试脚本显示通过，但实际上测试失败了？

如何为旧版本的 PyTorch（如 0.4）添加支持？

执行 transpose 或 permute 操作时出现维度不匹配错误怎么办？

项目中缺少 LICENSE 文件，如何获取授权信息？

如何定位导致测试失败的具体代码提交？

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|今天

Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|昨天

开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 141.5k|★★☆☆☆|今天

开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.9k|★★☆☆☆|今天

开发框架图像Agent

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备

★ 90.1k|★★★☆☆|今天

语言模型图像Agent

Deep-Live-Cam

Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。

★ 88.9k|★★★☆☆|今天

开发框架图像Agent

使用场景

没有 pytorch-for-numpy-users 时

使用 pytorch-for-numpy-users 后

运行环境要求

快速开始

PyTorch 用于 NumPy 用户。

如何贡献？

类型

全一和全零

从现有数据创建

数值范围

线性代数

构建矩阵

属性

索引

形状操作

元素选择与操作

[1, 1, 2, 2, 3, 3]

计算

算术与比较运算

随机数

数值运算

PyTorch for Numpy Users 快速上手指南

环境准备

安装步骤

基本使用

1. 导入与基础类型

2. 创建特殊矩阵 (Ones and Zeros)

3. 形状操作 (Shape Manipulation)

4. 线性代数 (Linear Algebra)

5. 索引与切片 (Indexing)

6. 属性访问 (Attributes)

常见问题

相似工具推荐

openclaw

stable-diffusion-webui

everything-claude-code

ComfyUI

LLMs-from-scratch

Deep-Live-Cam