从pytorch doc复制：

a = torch.ones(5)
print(a)

tensor（[1.，1.，1.，1.，1.]）

b = a.numpy()
print(b)

[1. 1.1.1.1.]
以下是与@John的讨论：
如果Tensor是（或可以是）GPU上的，或者如果它（或它可以）需要grad，则可以使用

t.detach().cpu().numpy()

我建议只根据需要来丑化你的代码。

你可以尝试以下方法

1. torch.Tensor().numpy()
2. torch.Tensor().cpu().data.numpy()
3. torch.Tensor().cpu().detach().numpy()

另一个有用的方法：

a = torch(0.1, device='cuda')

a.cpu().data.numpy()

回答
array（0.1，dtype=float32）

这是fastai core的一个函数：

def to_np(x):
    "Convert a tensor to a numpy array."
    return apply(lambda o: o.data.cpu().numpy(), x)

可能使用来自未来PyTorch库的函数是一个不错的选择。
如果你查看PyTorch Transformers内部，你会发现以下代码：

preds = logits.detach().cpu().numpy()

那么你可能会问为什么需要detach()方法？当我们想要从AD计算图中分离Tensor时，需要它。
仍然注意到CPUTensor和numpy数组是连接的。它们共享相同的存储：

import torch
tensor = torch.zeros(2)
numpy_array = tensor.numpy()
print('Before edit:')
print(tensor)
print(numpy_array)

tensor[0] = 10

print()
print('After edit:')
print('Tensor:', tensor)
print('Numpy array:', numpy_array)

输出：

Before edit:
tensor([0., 0.])
[0. 0.]

After edit:
Tensor: tensor([10.,  0.])
Numpy array: [10.  0.]

第一个元素的值由tensor和numpy数组共享。在tensor中将其更改为10也会在numpy数组中更改它。
这就是为什么我们需要小心，因为改变numpy数组也会改变CPUTensor。

您可能会发现以下两个功能很有用。

1. torch.Tensor.numpy（）
2. torch.from_numpy（）

有时候，如果有“应用”梯度，你首先必须把.detach()函数放在.numpy()函数之前。

loss = loss_fn(preds, labels)
print(loss.detach().numpy())

x = torch.tensor([0.1,0.32], device='cuda:0')

x.detach().cpu().data.numpy()