定义

PyTorch 和 NumPy 都是用于科学计算和数据处理的库，但它们的设计和用途略有不同。

NumPy 是一个用于数值计算的库，它提供了一个强大的数组对象。ndarray，可以方便地进行数组操作、线性代数运算和数学函数计算等。而 PyTorch 是一个用于深度学习的库，它提供了一个称为张量（Tensor）的对象，可以方便地进行矩阵运算、向量运算和神经网络的前向和反向传播等。

区别

虽然 PyTorch 的张量和 NumPy 的 ndarray 都是多维数组，但它们在内存管理和计算方式上略有不同。NumPy 的 ndarray 是基于 C 语言编写的，它的内存管理是由操作系统负责的，因此数组的大小和形状在创建后不能更改。而 PyTorch 的张量是基于 Python 语言编写的，它的内存管理是由 PyTorch 自身负责的，因此可以在运行时动态地更改数组的大小和形状。这种灵活性在深度学习中非常重要，因为神经网络的输入和输出往往是不同的大小和形状。

此外，PyTorch 的张量还支持 GPU 运算和自动微分。在深度学习中，很多计算都是在 GPU 上进行的，因此 PyTorch 的张量可以在 GPU 上进行矩阵运算和向量运算，从而提高计算效率。另外，自动微分是深度学习中的一个重要功能，它可以自动计算神经网络中每个参数的梯度，从而加快神经网络的训练速度。PyTorch 的张量支持自动微分，因此可以在训练神经网络时自动计算梯度，从而提高训练效率。

打印pytorch张量

张量的主要属性有以下3个

• 张量的维度（rank，number of dimensions）指的是张量中用来索引元素的索引个数，0维张量就是标量，因为不需要索引，而对于向量（vector）而言，只需要一个索引就可以得到相应元素，后续同理。高维的张量其实就是对低维张量的堆叠。
• 张量的形状（shape，number of rows and columns）指的是张量中每一维度的大小A
• 张量的类型（type，data type of tensor’s elements）指的是张量中每个元素的数据类型

测试代码如下

import torch

a = torch.ones(3,4,5, dtype=torch.int32)
# 张量的维度（rank，number of dimensions）指的是张量中用来索引元素的索引个数，0维张量就是标量，因为不需要索引，而对于向量（vector）而言，只需要一个索引就可以得到相应元素，后续同理。高维的张量其实就是对低维张量的堆叠。
print(f'ndimension:{a.ndimension()}')
# 张量的形状（shape，number of rows and columns）指的是张量中每一维度的大小A
print(f'shape:{a.shape}')
# 张量的类型（type，data type of tensor's elements）指的是张量中每个元素的数据类型
print(f'dtype:{a.dtype}')

总结

综上所述，PyTorch 的张量和 NumPy 的 ndarray 虽然都是多维数组，但它们在内存管理和计算方式上略有不同，因此 PyTorch 选择了自己实现张量。