Question

我正在研究PyTorch的基本教程，并遇到了NumPy数组和Torch张量之间的转换。该文档说：

Torch Tensor和NumPy数组将共享其基础内存位置，而更改一个将更改另一个。

但是，以下代码似乎并非如此：

import numpy as np

a = np.ones((3,3))
b = torch.from_numpy(a)

np.add(a,1,out=a)
print(a)
print(b)

在上述情况下，我看到更改自动反映在输出中：

[[2. 2. 2.]
 [2. 2. 2.]
 [2. 2. 2.]]
tensor([[2., 2., 2.],
        [2., 2., 2.],
        [2., 2., 2.]], dtype=torch.float64)

但是当我写这样的东西时，不会发生同样的事情：

a = np.ones((3,3))
b = torch.from_numpy(a)

a = a + 1
print(a)
print(b)

我得到以下输出：

[[2. 2. 2.]
 [2. 2. 2.]
 [2. 2. 2.]]
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

我在这里想念什么？

Answer 1

每当您在Python中编写=符号时，您都在创建一个新对象。

因此，在第二种情况下，表达式的右侧使用原始a，然后求值为新对象，即a + 1，它将替换原始a。 b仍然指向原始a的存储位置，但是现在a指向内存中的新对象。

换句话说，在a = a + 1中，表达式a + 1创建了一个新对象，然后Python将该新对象分配为名称a。

在a += 1中，Python用参数1调用a的就地加法（__iadd__）。

在第一种情况下，numpy代码np.add(a,1,out=a) 负责将该值就地添加到现有数组中。

（感谢@Engineero和@Warren Weckesser在评论中指出这些解释）