之前我寫(xiě)過(guò)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(shí)，會(huì)在內(nèi)存中創(chuàng)建一個(gè)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(duì)比著來(lái)看，最明顯的，torch.as_tensor() 接收三個(gè)參數(shù)（data, dtype=None, device=None），而 torch.from_numpy() 只接收一個(gè)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(gè) ndarray），則使用 torch.from_numpy() 構(gòu)造一個(gè)張量。

torch.from_numpy() 會(huì)根據(jù)輸入的 ndarray 構(gòu)造一個(gè)具有相同 dtype 與 device 的張量，這個(gè)行為跟 torch.as_tensor() 只輸入ndarray，而 dtype 與 device 保持默認(rèn)是一樣的。從這個(gè)角度看，可以說(shuō) torch.from_numpy() 是 torch.as_tensor() 的一個(gè)特例。它們都是淺拷貝，這是因?yàn)?strong>張量（tensor）與數(shù)組（ndarray）存儲(chǔ)共享相同的底層緩沖區(qū)，改變其中一個(gè)的值都會(huì)是另一個(gè)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(gè)東西一旦被改變了，就會(huì)生成一個(gè)新的數(shù)據(jù)副本，此時(shí) torch.as_tensor() 的行為就變成深拷貝了。

需要注意的是，Numpy 在 64 位機(jī)子上浮點(diǎn)數(shù)默認(rèn)的數(shù)據(jù)類(lèi)型是 float64，而 Pytorch 默認(rèn)的是 float32。所以為了確保轉(zhuǎn)換后的數(shù)據(jù)類(lèi)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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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