NumPy VS PyTorch  



特性   NumPy   PyTorch
核心用途    科学计算、数据处理	   深度学习、神经网络
GPU支持     不支持               支持
自动求导     不支持               不支持
深度学习工具  无                 预构建层、优化器等
动态计算图    不适用	          支持

选择建议：
若仅需处理数据或实现传统算法，使用 NumPy
若需构建深度学习模型或利用 GPU 加速，使用 PyTorch



1. 核心定位与用途
NumPy
Python 科学计算的基础库，提供多维数组对象（ndarray）和 各种数学运算函数    
主要用于数据处理、数值计算和科学计算，不支持 GPU 加速，适用于本地小规模数据处理  

PyTorch
深度学习框架，基于 Torch 库开发    
提供动态计算图、自动求导、GPU 加速等功能，专为神经网络和深度学习设计，支持模型训练、推理和部署    


2. 数据结构对比
NumPy: ndarray
多维数组，支持各种数据类型（如 int, float, bool）    
不支持 GPU 加速，所有计算在 CPU 上进行    

import numpy as np
a = np.array([[1, 2], [3, 4]])
print(a.shape)  # 输出: (2, 2)

PyTorch: Tensor
类似于 NumPy 的 ndarray，但支持 GPU 计算和自动求导    
与深度学习框架无缝集成，可作为模型输入 / 输出    

import torch
a = torch.tensor([[1, 2], [3, 4]])
print(a.shape)  # 输出: torch.Size([2, 2])

3. GPU 加速
NumPy：所有操作在 CPU 上执行，适合小规模数据处理    
PyTorch：通过 .to(device) 将张量移至 GPU 进行加速，适合大规模深度学习训练    

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
x = torch.tensor([1, 2, 3]).to(device)  # 移至 GPU

4. 自动求导
NumPy：需要手动计算梯度    
PyTorch：通过 requires_grad=True 和 backward() 自动计算梯度，简化神经网络训练    

x = torch.tensor(2.0, requires_grad=True)
y = x**2
y.backward()  # 自动计算 dy/dx
print(x.grad)  # 输出: 4.0

5. 深度学习支持
NumPy：不直接支持深度学习模型，需手动实现网络结构和优化算法    
PyTorch：
提供预构建的神经网络层（如 torch.nn.Conv2d）、优化器（如 torch.optim.Adam）
和 损失函数（如 torch.nn.CrossEntropyLoss）    

model = torch.nn.Sequential(
    torch.nn.Linear(10, 20),
    torch.nn.ReLU(),
    torch.nn.Linear(20, 2)
)

6. 数据转换
两者可通过 torch.from_numpy() 和 .numpy() 互相转换

# NumPy >> PyTorch
np_array = np.array([1, 2, 3])
torch_tensor = torch.from_numpy(np_array)

# PyTorch >> NumPy
torch_tensor = torch.tensor([1, 2, 3])
np_array = torch_tensor.numpy()


7. 应用场景
NumPy：
数据预处理、特征工程    
传统机器学习算法（如 scikit-learn）的输入处理    
科学计算和数值分析  


PyTorch：
深度学习模型开发（计算机视觉、自然语言处理等）    
研究原型快速迭代（动态计算图优势）    
模型部署（支持 ONNX 导出）