PyTorch의 텐서(Tensor)와 NumPy의 Array(배열) 차이

딥러닝과 머신러닝을 공부하다 보면 가장 먼저 접하게 되는 개념 중 하나가 텐서(Tensor)입니다.
PyTorch에서는 모든 데이터가 텐서 형태로 처리되며, 이는 NumPy의 배열(Array)과 매우 유사해 보이지만 중요한 차이점이 존재합니다.

이번 글에서는
✔ 텐서의 개념
✔ NumPy 배열과의 공통점
✔ 두 객체의 차이점
✔ 언제 무엇을 사용하면 좋은지
를 정리해보겠습니다.

 

---

✔ PyTorch의 텐서(Tensor)란?

Tensor는 다차원 배열(Multi-dimensional Array)입니다.
스칼라, 벡터, 행렬을 일반화한 개념으로, PyTorch에서 모델 입력, 출력, 가중치, 손실값 등 모든 데이터는 텐서 형태로 표현됩니다.

차원 예시

차원	예시
0차원	스칼라 (5)
1차원	벡터 [1, 2, 3]
2차원	행렬
3차원 이상	이미지, 영상, 배치 데이터

텐서 생성 예시

import torch

x = torch.tensor([1, 2, 3])
print(x)

 

---

✔ NumPy의 Array란?

NumPy의 Array 역시 다차원 배열이며, 수치 연산을 빠르게 처리하기 위한 파이썬 라이브러리입니다.

배열 생성 예시

import numpy as np

a = np.array([1, 2, 3])
print(a)

 

---

✔ 공통점

• 다차원 배열 구조
• 인덱싱과 슬라이싱 가능
• 수학 연산 가능
• 서로 변환 가능

# NumPy → Tensor
torch_tensor = torch.from_numpy(a)

# Tensor → NumPy
numpy_array = x.numpy()

 

---

✔ 핵심 차이점

구분	PyTorch Tensor	NumPy Array
GPU 사용	가능 (CUDA)	불가능
자동 미분	지원	미지원
딥러닝 연산	최적화됨	제한적
주 용도	딥러닝	수치 계산, 데이터 처리
연산 속도	GPU 사용 시 매우 빠름	CPU 기반

 

---

✔ 자동 미분(Autograd) 지원 여부

PyTorch 텐서는 requires_grad=True 옵션을 통해 자동으로 미분값을 계산할 수 있습니다.

x = torch.tensor(2.0, requires_grad=True)
y = x ** 2
y.backward()

print(x.grad)  # 4

 

NumPy는 이러한 기능이 없기 때문에, 딥러닝 학습에는 적합하지 않습니다.

 

---

✔ GPU 사용 여부

x = torch.tensor([1,2,3]).cuda()

 

GPU 연산이 가능하다는 점은 딥러닝 학습 속도에 매우 큰 차이를 만듭니다.
NumPy는 CPU 연산만 지원합니다.

 

---

✔ 언제 무엇을 사용하면 좋을까?

NumPy 사용

• 데이터 전처리
• 통계 계산
• 간단한 수치 연산

PyTorch Tensor 사용

• 딥러닝 모델 학습
• 역전파 필요할 때
• GPU 가속이 필요한 경우

 

---

 정리

• 형태는 비슷하지만 목적이 다르다
• NumPy → 일반 수치 연산용
• PyTorch Tensor → 딥러닝 학습용

즉, 딥러닝을 한다면 반드시 Tensor를 사용해야 합니다.