如何将CUDA上的torch.float32列表转换为np.array？

问题根源 #

你碰到的两个错误本质是同一个问题：

• NumPy只能处理CPU内存中的数据，而你的张量都在CUDA显存上，直接调用np.array(A)会因为无法读取GPU数据报错
• 先转数组再调用.cpu()行不通，因为列表本身没有.cpu()方法，这个方法只能用在PyTorch张量上

可行的转换方案 #

方案1：遍历嵌套列表逐个处理（通用所有情况）

不管你的嵌套列表结构规则与否，都可以通过逐层遍历，把每个CUDA张量先转到CPU，再转换成NumPy数组，最后组合成大数组：

# 逐层处理每个张量：先转CPU再转NumPy
processed_list = [[t.cpu().numpy() for t in sub_list] for sub_list in A]
# 转换为NumPy数组
A_np = np.array(processed_list)

方案2：先合并为PyTorch张量再统一处理（仅规则结构）

如果你的嵌套列表是规则的（比如所有子列表长度相同，是二维结构），可以先把整个列表转成一个大的PyTorch张量，再一次性转到CPU并转NumPy：

# 将嵌套列表转为CUDA上的张量
full_tensor = torch.tensor(A)
# 转到CPU并转换为NumPy数组
A_np = full_tensor.cpu().numpy()

方案3：处理不规则嵌套列表（PyTorch 1.10+）

如果你的子列表长度不一致（不规则嵌套），可以用PyTorch的嵌套张量工具来处理：

# 创建嵌套张量
nested_tensor = torch.nested.nested_tensor(A)
# 转到CPU后拆分并转NumPy
cpu_nested = nested_tensor.cpu()
A_np_list = [tensor.numpy() for tensor in cpu_nested.unbind()]
# 可根据需求将列表转为不规则NumPy结构

内容的提问来源于stack exchange，提问作者yaodao vang