之前我寫過一篇文章，比較了 torch.Tensor() 和 torch.tensor() 的區(qū)別，而這兩者都是深拷貝的方法，返回張量的同時，會在內(nèi)存中創(chuàng)建一個額外的數(shù)據(jù)副本，與原數(shù)據(jù)不共享內(nèi)存，所以不受原數(shù)據(jù)改變的影響。

這里，介紹兩種淺拷貝方法，torch.as_tensor() 和 torch.from_numpy()，同樣還是從官方文檔出發(fā)：

torch.as_tensor()

torch.from_numpy()

直接對比著來看，最明顯的，torch.as_tensor() 接收三個參數(shù)（data, dtype=None, device=None），而 torch.from_numpy() 只接收一個參數(shù)，即 ndarray，正如前者文檔中提到的：

如果 data 是具有相同 dtype 和 device 的 NumPy 數(shù)組（一個 ndarray），則使用 torch.from_numpy() 構(gòu)造一個張量。

torch.from_numpy() 會根據(jù)輸入的 ndarray 構(gòu)造一個具有相同 dtype 與 device 的張量，這個行為跟 torch.as_tensor() 只輸入ndarray，而 dtype 與 device 保持默認是一樣的。從這個角度看，可以說 torch.from_numpy() 是 torch.as_tensor() 的一個特例。它們都是淺拷貝，這是因為張量（tensor）與數(shù)組（ndarray）存儲共享相同的底層緩沖區(qū)，改變其中一個的值都會是另一個的值也被改變。

但是，torch.as_tensor() 顯然適用性更廣，它既可以接收非 ndarray 的數(shù)據(jù)，還能改變數(shù)據(jù)的 dtype 或 device，但這兩個東西一旦被改變了，就會生成一個新的數(shù)據(jù)副本，此時 torch.as_tensor() 的行為就變成深拷貝了。

需要注意的是，Numpy 在 64 位機子上浮點數(shù)默認的數(shù)據(jù)類型是 float64，而 Pytorch 默認的是 float32。所以為了確保轉(zhuǎn)換后的數(shù)據(jù)類型是 float32，以及兼顧適用性，使用 torch.as_tensor() 都是更好的選擇。

總結(jié)

以上是生活随笔為你收集整理的Pytorch中的 torch.as_tensor() 和 torch.from_numpy() 的区别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。