NumPy与PyTorch张量索引有哪些差异

NumPy是Python生态中经典的数值计算库，PyTorch则是深度学习领域主流的框架，二者都支持张量数据结构，但张量索引的设计逻辑存在明显不同，了解这些差异能帮助开发者更顺畅地在两个工具间切换。

基础索引与切片差异

基础索引和切片是最常用的操作，二者在单元素索引上逻辑一致，但在切片返回结果的属性上有区别。

单元素索引

二者的单元素索引都使用方括号加索引值的方式，索引从0开始计数，示例如下：

import numpy as np
import torch

# NumPy单元素索引
np_arr = np.array([1, 2, 3, 4])
print(np_arr[0])  # 输出1

# PyTorch单元素索引
torch_tensor = torch.tensor([1, 2, 3, 4])
print(torch_tensor[0])  # 输出tensor(1)

切片操作差异

NumPy切片返回的是原数组的视图，修改切片内容会影响原数组；PyTorch切片返回的是新的张量对象，修改切片不会影响原张量，除非使用原地操作。

import numpy as np
import torch

# NumPy切片修改影响原数组
np_arr = np.array([1, 2, 3, 4])
np_slice = np_arr[1:3]
np_slice[0] = 10
print(np_arr)  # 输出[ 1 10  3  4]

# PyTorch切片修改不影响原张量
torch_tensor = torch.tensor([1, 2, 3, 4])
torch_slice = torch_tensor[1:3]
torch_slice[0] = 10
print(torch_tensor)  # 输出tensor([1, 2, 3, 4])
# 原地操作才会影响原张量
torch_tensor[1:3] = 10
print(torch_tensor)  # 输出tensor([ 1, 10, 10,  4])

高级索引差异

高级索引指使用整数数组或张量作为索引，二者在返回结果的维度和内存特性上有区别。

整数数组索引

NumPy的高级索引返回的是原数组的副本，PyTorch的高级索引返回的是新的张量，同时二者在索引维度的处理上逻辑一致。

import numpy as np
import torch

# NumPy整数数组索引
np_arr = np.array([[1, 2], [3, 4], [5, 6]])
np_idx = np.array([0, 2])
print(np_arr[np_idx])  # 输出[[1 2] [5 6]]

# PyTorch整数张量索引
torch_tensor = torch.tensor([[1, 2], [3, 4], [5, 6]])
torch_idx = torch.tensor([0, 2])
print(torch_tensor[torch_idx])  # 输出tensor([[1, 2], [5, 6]])

布尔索引差异

布尔索引通过布尔条件筛选元素，二者在返回结果的形状和赋值规则上有不同。

布尔筛选结果

NumPy布尔索引返回的是一维数组，包含所有满足条件的元素；PyTorch布尔索引返回的是一维张量，和NumPy逻辑一致，但赋值时PyTorch支持广播规则，NumPy则需要保证形状匹配。

import numpy as np
import torch

# NumPy布尔索引
np_arr = np.array([1, 2, 3, 4, 5])
np_mask = np_arr > 3
print(np_arr[np_mask])  # 输出[4 5]
# NumPy赋值需要形状匹配
np_arr[np_mask] = 0
print(np_arr)  # 输出[1 2 3 0 0]

# PyTorch布尔索引
torch_tensor = torch.tensor([1, 2, 3, 4, 5])
torch_mask = torch_tensor > 3
print(torch_tensor[torch_mask])  # 输出tensor([4, 5])
# PyTorch支持广播赋值
torch_tensor[torch_mask] = 0
print(torch_tensor)  # 输出tensor([1, 2, 3, 0, 0])

索引赋值规则差异

在给索引位置赋值时，NumPy允许直接给切片或高级索引赋值任意兼容形状的数据，PyTorch则更严格，要求赋值数据的形状要么和索引结果完全一致，要么符合广播规则。

import numpy as np
import torch

# NumPy赋值兼容形状
np_arr = np.zeros((3, 3))
np_arr[1:3, 1:3] = [[1, 2], [3, 4]]
print(np_arr)
# 输出
# [[0. 0. 0.]
#  [0. 1. 2.]
#  [0. 3. 4.]]

# PyTorch赋值需要符合广播规则
torch_tensor = torch.zeros((3, 3))
# 形状完全匹配
torch_tensor[1:3, 1:3] = torch.tensor([[1, 2], [3, 4]])
print(torch_tensor)
# 广播赋值
torch_tensor[1:3, 1:3] = 5
print(torch_tensor)

差异总结

二者张量索引的核心差异可以整理为下表：

在实际使用中，如果需要操作深度学习模型中的张量，优先使用PyTorch的索引规则，避免因为切片视图特性导致梯度计算错误；如果是纯数值计算场景，NumPy的索引逻辑更高效，适合处理大规模数值数据。

NumPyPyTorch张量索引tensor_indexing修改时间：2026-06-24 17:06:33