Question

我正在关注60-minute blitz on PyTorch，但对将numpy数组转换为张量有疑问。教程示例here。

这段代码：

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

收益

[2。 2. 2. 2. 2。]

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

但是

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
a = a + 1 #the diff is here 
print(a)
print(b)

收益

[2。 2. 2. 2. 2。]

张量（[1.，1.，1.，1.，1.]，dtype = torch.float64）

输出为何不同？

Answer 1

这实际上与PyTorch无关。比较

import numpy as np
a = np.ones(5)
b = a

其次是

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

或

a = a + 1
print(b)

np.add(a, 1, out=a)和a = a + 1之间是有区别的。在前者中，您保留具有不同值（a而非2）的同一对象（数组）1；在后者中，您将获得一个 new 数组，该数组绑定到相同的变量名称a，并且值2。但是，“原始” a将被丢弃，除非有其他（b）指向它，否则它将被释放。换句话说，第一个操作是就地操作，而后者则是不就地操作。由于b保留了最初在a上找到的数组，因此将a + 1重新分配给a不会影响b的值。一种替代的就地突变语法是

a[:] = a + 1
print(b)

关于PyTorch，这非常简单。 from_numpy创建一个张量，该张量作为实际对象（数组）的别名，因此它等效于我的第一个代码片段中的b = a行。张量将在调用时跟踪名为a的数组中的更改，而不是名称a所指向的更改。

Answer 2

我的看法：

完成时

b = torch.from_numpy(a)

b和一个指向内存中的相同位置。从文档中：

Converting a torch Tensor to a numpy array and vice versa is a breeze. The torch Tensor and numpy array will share their underlying memory locations, and changing one will change the other.

完成时

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

执行此操作时，您就地修改了a

a = a+1

您创建了一个新数组（也命名为a），但是该新数组不会与b共享基础内存位置，因此不会影响b。

张量和numpy数组之间的PyTorch转换：加法运算

2 个答案: