NumPy লাইব্রেরি ডিফল্টরূপে GPU ত্বরণ সমর্থন করে না। এর মানে হল যে NumPy অপারেশনগুলি মেমরি এবং CPU গতি দ্বারা সীমাবদ্ধ। এটি বড় আকারের ডেটা বিশ্লেষণ এবং জটিল গণনার জন্য একটি ত্রুটি। যাইহোক, PyTorch tensors GPU ব্যবহার করে সংখ্যাগত গণনার গতি বাড়ানোর জন্য। এটি গভীর শিক্ষার অ্যাপ্লিকেশনের জন্য অপরিহার্য যেখানে ডেটা বিশাল। ব্যবহারকারীরা NumPy অ্যারেটিকে একটি PyTorch টেনসরে রূপান্তর করতে পারে এই বৈশিষ্ট্যটির সুবিধা নিতে এবং মেশিন-লার্নিং মডেলগুলির কার্যকারিতা বাড়াতে।
এই ব্লগটি NumPy অ্যারেকে PyTorch টেনসরে রূপান্তরিত করার পদ্ধতিগুলি ব্যাখ্যা করবে।
PyTorch Tensor এ NumPy অ্যারেতে কিভাবে রূপান্তর/রূপান্তর করবেন?
NumPy অ্যারেকে PyTorch টেনসরে রূপান্তর/রূপান্তর করতে, দুটি পদ্ধতি ব্যবহার করা যেতে পারে:
- পদ্ধতি 1: 'torch.from_numpy()' ফাংশন ব্যবহার করা
- পদ্ধতি 2: 'torch.tensor()' ফাংশন ব্যবহার করা
পদ্ধতি 1: 'torch.from_numpy()' ফাংশন ব্যবহার করে PyTorch টেনসরে NumPy অ্যারেকে রূপান্তর/রূপান্তর করুন
NumPy অ্যারেকে PyTorch টেনসরে রূপান্তর করতে, ব্যবহারকারীরা 'torch.from_numpy()' ফাংশন ব্যবহার করতে পারেন। ধাপে ধাপে নির্দেশাবলী নীচে দেওয়া হল:
ধাপ 1: প্রয়োজনীয় লাইব্রেরি আমদানি করুন
প্রথমে, পছন্দসই 'টর্চ' এবং 'নাম্পি' লাইব্রেরিগুলি আমদানি করুন:
আমদানি টর্চ # আমদানি করা টর্চ লাইব্রেরি
আমদানি Numpy হিসাবে np #importing NumPy লাইব্রেরি
ধাপ 2: একটি NumPy অ্যারে তৈরি করুন
তারপর, একটি সাধারণ NumPy অ্যারে তৈরি করুন। উদাহরণস্বরূপ, আমরা নিম্নলিখিত NumPy অ্যারে তৈরি করেছি এবং এটি একটি 'এ সংরক্ষণ করেছি সংখ্যা_অ্যারে পরিবর্তনশীল:
ধাপ 3: নম্পি অ্যারেকে একটি পাইটর্চ টেনসরে রূপান্তর করুন
এখন, ব্যবহার করুন ' torch.from_numpy() ” ফাংশন উপরে তৈরি করা NumPy অ্যারেকে একটি PyTorch টেনসরে রূপান্তরিত করে এবং এটিকে একটি ভেরিয়েবলে সংরক্ষণ করে। এখানে, আমরা ব্যবহার করেছি ' পাই_টেনসর রূপান্তরিত NumPy অ্যারে সংরক্ষণ করার জন্য পরিবর্তনশীল:
পাই_টেনসর = টর্চ from_numpy ( সংখ্যা_অ্যারে )
ধাপ 4: প্রিন্ট আউটপুট
অবশেষে, প্রিন্ট করুন ' পাই_টেনসর 'টেনসর:
এটি NumPy অ্যারেকে একটি PyTorch টেনসরে রূপান্তর করেছে:
বিঃদ্রঃ : যদি একজন ব্যবহারকারী NumPy অ্যারেকে একটি PyTorch টেনসরে রূপান্তর করতে “torch.from_numpy()” ফাংশন ব্যবহার করে, তাহলে এর ফলে PyTorch টেনসরটি আসল Numpy অ্যারের সাথে সংযুক্ত হবে এবং একই মেমরি ব্যবহার করবে। অতএব, টেনসরে করা/প্রয়োগ করা যেকোনো পরিবর্তন একইভাবে প্রকৃত অ্যারের উপর প্রভাব ফেলবে। এই আচরণ এড়াতে, 'torch.tensor()' ফাংশন ব্যবহার করুন।
পদ্ধতি 2: 'torch.tensor()' ফাংশন ব্যবহার করে PyTorch টেনসরে NumPy অ্যারেকে রূপান্তর/রূপান্তর করুন
NumPy অ্যারেকে PyTorch টেনসরে রূপান্তর করতে, ব্যবহারকারীরা 'torch.tensor()' ফাংশন ব্যবহার করতে পারেন। ধাপে ধাপে নির্দেশাবলী নীচে দেওয়া হল:
ধাপ 1: লাইব্রেরি আমদানি করুন
প্রথমত, প্রয়োজনীয় আমদানি করুন ' টর্চ ' এবং ' নম্র 'লাইব্রেরি:
আমদানি np হিসাবে numpy
ধাপ 2: একটি NumPy অ্যারে তৈরি করুন
এর পরে, একটি NumPy অ্যারে তৈরি করুন। উদাহরণস্বরূপ, আমরা নিম্নলিখিত NumPy অ্যারে তৈরি করেছি এবং এটি একটি 'এ সংরক্ষণ করেছি সংখ্যা_অ্যারে পরিবর্তনশীল:
ধাপ 3: NumPy অ্যারেকে একটি PyTorch টেনসরে রূপান্তর করুন
তারপর, 'এর মাধ্যমে NumPy অ্যারেটিকে একটি PyTorch টেনসরে রূপান্তর করুন torch.from_numpy() ” ফাংশন এবং এটি একটি ভেরিয়েবলে সংরক্ষণ করুন। এখানে, আমরা ব্যবহার করেছি ' পাই_টেনসর রূপান্তরিত NumPy অ্যারে সংরক্ষণ করার জন্য পরিবর্তনশীল:
ধাপ 4: প্রিন্ট আউটপুট
অবশেষে, মুদ্রণ 'Py_tensor' টেনসর:
এটি করার মাধ্যমে, NumPy অ্যারে একটি PyTorch টেনসরে রূপান্তরিত হয়েছে:
বিঃদ্রঃ : আপনি এখানে আমাদের Google Colab নোটবুক অ্যাক্সেস করতে পারেন লিঙ্ক .
আমরা দক্ষতার সাথে NumPy অ্যারেকে PyTorch টেনসরে রূপান্তর করার পদ্ধতিগুলি ব্যাখ্যা করেছি।
উপসংহার
NumPy অ্যারেকে PyTorch টেনসরে রূপান্তর/রূপান্তর করতে, প্রথমে প্রয়োজনীয় লাইব্রেরি আমদানি করুন। তারপর, একটি সাধারণ NumPy অ্যারে তৈরি করুন এবং এটি একটি নির্দিষ্ট ভেরিয়েবলে সংরক্ষণ করুন। এর পরে, ব্যবহার করুন ' torch.from_numpy() 'বা' torch.tensor() ” ফাংশন NumPy অ্যারেকে একটি PyTorch টেনসরে রূপান্তরিত করতে এবং এটি মুদ্রণ করতে। এই ব্লগটি NumPy অ্যারেকে PyTorch টেনসরে রূপান্তর/রূপান্তর করার দুটি পদ্ধতির চিত্র তুলে ধরেছে।