第2章 CuPy数组基础：创建数组、数据类型、形状操作、与NumPy数组的互转

2.1 为什么说CuPy数组就是“换了芯”的NumPy？

刚开始接触CuPy时，我最大的感受就是——这不就是NumPy吗？语法几乎一模一样。但底层完全不一样。NumPy跑在CPU上，CuPy跑在GPU上。你用cupy.array()创建出来的东西，表面看是个数组，实际上背后已经是一块显存里的数据了。

说直接点，CuPy数组就是NumPy数组的GPU亲戚。它俩共享同一套API设计哲学，但物理存放位置不同。你想想看，如果你已经会NumPy，学CuPy基本就是换个包名的事。

2.2 创建数组的几种姿势

我一般把创建数组分成三类：从Python列表直接生成、用工厂函数创建、从NumPy转过来。咱们一个个看。

2.2.1 从列表或元组创建

import cupy as cp

# 一维数组
arr1 = cp.array([1, 2, 3, 4, 5])

# 二维数组
arr2 = cp.array([[1.0, 2.0], [3.0, 4.0]])

# 指定dtype
arr3 = cp.array([1, 2, 3], dtype=cp.float32)

这里有个坑，我在项目里踩过：如果你传入的列表里混了整数和浮点数，CuPy会默认推断成float64。在深度学习场景下，float64又慢又占显存。所以我建议显式指定dtype=cp.float32或cp.float16。

2.2.2 用工厂函数批量创建

日常开发中，我更常用下面这些函数，效率和可读性都好很多。

嗯，上面这些基本覆盖了日常工作。尤其cp.zeros和cp.random.randn，我在初始化神经网络权重时天天用。

2.3 数据类型：选对精节省一半显存

CuPy支持的数据类型和NumPy几乎一一对应，只是在名字前面加了个cp.。常用的有：

• 整数型：cp.int8, cp.int16, cp.int32, cp.int64，以及无符号的cp.uint8等
• 浮点型：cp.float16（半精度）, cp.float32（单精度）, cp.float64（双精度）
• 布尔型：cp.bool_
• 复数型：cp.complex64, cp.complex128

这里我想重点说说float16和float32。我做聚类算法加速时，经常遇到显存瓶颈。如果数据精度要求不高，用float16能直接省一半显存。但要注意：

# 检查dtype
print(arr2.dtype)          # float64

# 转换dtype
arr_f32 = arr2.astype(cp.float32)
print(arr_f32.dtype)       # float32

# 创建时指定
arr_f16 = cp.array([1.5, 2.5], dtype=cp.float16)

2.4 形状操作：reshape、resize、transpose、squeeze、expand_dims

形状操作是数组的灵魂。CuPy提供了和NumPy一模一样的函数，性能却跑在GPU上。我整理了一张常用操作表：

# 实际演练
a = cp.arange(12).reshape(3, 4)
print(a.shape)          # (3, 4)

b = a.reshape(2, 2, 3)
print(b.shape)          # (2, 2, 3)

c = a.flatten()
print(c)                # [0 1 2 ... 11]

d = a.T
print(d.shape)          # (4, 3)

你想想看，如果一个形状是(1, 28, 28, 1)的四维数组，你想变成(28, 28)，两步搞定：先squeeze去掉长度为1的轴，再reshape。不过要注意，squeeze默认删掉所有长度为1的轴，如果你只想删某个轴，要指定axis参数。

2.5 与NumPy数组的互转：显存与内存之间的桥梁

这里是最容易出问题的地方。CuPy数组不能直接当NumPy数组用，反之亦然。互转就是数据在GPU显存和CPU内存之间的搬运。

2.5.1 GPU → CPU

# 假设 gpu_arr 是一个CuPy数组
cpu_arr = cp.asnumpy(gpu_arr)
# 或者用 .get() 方法
cpu_arr2 = gpu_arr.get()

我个人更推荐cp.asnumpy()，因为语义更清晰——就是“把CuPy变成NumPy”。注意，这两种方式都会触发显存到内存的拷贝，开销可不小。所以我在项目中会尽量减少来回传输，能在GPU上算完的就不往回传。

2.5.2 CPU → GPU

# 普通方式
gpu_arr = cp.array(cpu_arr)

# 更高效的方式：用 cp.asarray() 避免不必要的拷贝
gpu_arr2 = cp.asarray(cpu_arr)

# 如果原数组是Fortran连续，用 cp.asfortranarray()
gpu_f = cp.asfortranarray(cpu_arr)

cp.asarray()和cp.array()的区别是什么？简单来说，如果传入的已经是CuPy数组，cp.asarray()不会创建新副本，而cp.array()会。所以从NumPy转过来时，建议用cp.asarray()，省一次拷贝。

2.5.3 互转的陷阱

• 数据类型自动转换：NumPy默认float64，CuPy默认也是float64。但很多GPU操作默认用float32，来回转可能会隐式改变精度。我建议在转换时明确指定dtype。
• 连续内存布局：转过去后，CuPy默认按C连续（行优先）存储。如果你的NumPy数组是Fortran连续（列优先），用cp.asfortranarray()可以保持布局，但这在深度学习中不常见。
• 内存泄漏：在循环中频繁cp.array()再cp.asnumpy()，会产生大量临时对象，有可能撑爆显存或内存。我曾在一次批量处理中吃了这个亏，后来改成在循环外预分配CuPy数组，原地更新。

# 正确示范：避免循环内频繁转
import numpy as np

batch_size = 1000
n_features = 784

# 预分配GPU数组
gpu_batch = cp.empty((batch_size, n_features), dtype=cp.float32)

for i in range(100):
    # 模拟从磁盘读取一批数据
    cpu_chunk = np.random.randn(batch_size, n_features).astype(np.float32)
    # 直接拷贝到预分配显存
    gpu_batch[:] = cp.asarray(cpu_chunk)
    # 在GPU上处理...
    # 不把结果转回CPU，直到最后

2.6 本章知识体系一览

下面这张图总结了CuPy数组从创建到操作再到互转的完整链路。它是我自己梳理的，你对照着看，思路会更清楚。