引言

如果你刚接触 PyTorch，第一个问题往往是：Tensor 到底是什么？它和 NumPy 的 ndarray 看起来很像，究竟有何不同？

简单来说，Tensor 是 PyTorch 中最核心的数据结构，是一个支持 GPU 加速和自动微分的多维数组。而 NumPy 的 ndarray 是 Python 科学生态中最基础的多维数组，只运行在 CPU 上。本文将带你一次性搞懂两者的区别。

一、什么是 PyTorch Tensor？

Tensor（张量）是一个在数学和物理中广泛使用的概念。在 PyTorch 中，Tensor 可以理解为任意维度的数组容器 —— 0 维是标量，1 维是向量，2 维是矩阵，3 维及以上就是高维张量。

核心能力：

1. GPU 加速：将 Tensor 放到 GPU 上（.cuda() 或 .to('cuda')），计算速度提升数十倍。

2. 自动微分：Tensor 支持 Autograd，自动计算梯度，是神经网络反向传播的基础。

3. 动态计算图：每次前向传播构建新的计算图，调试灵活，符合 Python 直觉。

二、什么是 NumPy ndarray？

NumPy（Numerical Python）是 Python 数据科学的基石。其核心数据结构 ndarray（N-dimensional array）提供了高效的多维数组运算，底层用 C 实现，速度远快于 Python 原生列表。

NumPy 擅长矩阵运算、线性代数、傅里叶变换等，几乎所有 Python 数据工具（Pandas、SciPy、Scikit-learn）都构建在其之上。但它无法在 GPU 上运行，也没有自动微分能力。

三、五大核心区别

3.1 计算设备：GPU vs CPU

这是最根本的区别。NumPy 只能在 CPU 上运行；PyTorch Tensor 可以无缝切换到 GPU，只需一行 .cuda()，矩阵运算即可获得 10~100 倍加速。

示例：

3.2 自动微分（Autograd）

Tensor 的 requires_grad=True 会追踪所有操作，构建计算图，自动计算梯度。这是训练神经网络的关键。NumPy 完全没有梯度计算能力。

3.3 计算图

PyTorch 使用动态计算图（Define-by-Run），每次前向传播都会重新构建。这意味着可以使用 Python 原生的 if、for 等控制流，调试也像普通 Python 代码一样方便。

3.4 互转与内存共享

Tensor 和 ndarray 可以轻松互转。特别地，CPU 上的 Tensor 与 NumPy 数组共享内存，一个变化会影响另一个，非常高效。

3.5 生态系统

NumPy：Pandas、SciPy、Matplotlib、Scikit-learn 等传统数据科学工具的基础。

PyTorch：TorchVision、TorchText、TorchAudio 以及 HuggingFace 等深度学习框架的基石。

四、总结

Tensor 可以理解为 NumPy ndarray 的 GPU + 自动微分版本。如果只做传统数据分析，NumPy 足够；但一旦涉及神经网络训练，Tensor 不可或缺。

掌握 Tensor 是 PyTorch 入门的第一步，理解它和 NumPy 的关系与区别，能帮你更快地上手深度学习。希望本文对你有所帮助！